論文の概要: Radar-Guided Polynomial Fitting for Metric Depth Estimation

• arxiv url: http://arxiv.org/abs/2503.17182v1
• Date: Fri, 21 Mar 2025 14:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:56:32.351188
• Title: Radar-Guided Polynomial Fitting for Metric Depth Estimation
• Title（参考訳）: 距離推定のためのレーダガイドポリノミアルフィッティング
• Authors: Patrick Rim, Hyoungseob Park, Vadim Ezhov, Jeffrey Moon, Alex Wong,
• Abstract要約: PolyRadはレーダー誘導深度推定法であり、非変圧深度予測に適合性を導入する。 PolyRadは、nu-of-Delftデータセットの最先端のパフォーマンスを達成し、既存のメソッドを30.3%、RMSE37.2%で上回っている。
• 参考スコア（独自算出の注目度）: 6.016262500044518
• License:
• Abstract: We propose PolyRad, a novel radar-guided depth estimation method that introduces polynomial fitting to transform scaleless depth predictions from pretrained monocular depth estimation (MDE) models into metric depth maps. Unlike existing approaches that rely on complex architectures or expensive sensors, our method is grounded in a simple yet fundamental insight: using polynomial coefficients predicted from cheap, ubiquitous radar data to adaptively adjust depth predictions non-uniformly across depth ranges. Although MDE models often infer reasonably accurate local depth structure within each object or local region, they may misalign these regions relative to one another, making a linear scale-and-shift transformation insufficient given three or more of these regions. In contrast, PolyRad generalizes beyond linear transformations and is able to correct such misalignments by introducing inflection points. Importantly, our polynomial fitting framework preserves structural consistency through a novel training objective that enforces monotonicity via first-derivative regularization. PolyRad achieves state-of-the-art performance on the nuScenes, ZJU-4DRadarCam, and View-of-Delft datasets, outperforming existing methods by 30.3% in MAE and 37.2% in RMSE.
• Abstract（参考訳）: 本稿では,MDEモデルからのスケールレス深度予測を計量深度マップに変換するための多項式フィッティングを導入した新しいレーダー誘導深度推定法であるPolyRadを提案する。 複雑なアーキテクチャや高価なセンサーに頼っている既存のアプローチとは違って、我々の手法は、安価でユビキタスなレーダーデータから予測される多項式係数を用いて、不均一な深度範囲の深さ予測を適応的に調整する。 MDEモデルは、各対象領域または局所領域の局所的な深度構造を合理的に推定するが、これらの領域を相対的に誤定し、これらの領域のうち3つ以上の領域で線形なスケール・アンド・シフト変換が不十分となる。 これとは対照的に、PolyRadは線型変換を超越して一般化し、インフレクション点を導入することによってそのような不整合を修正することができる。 重要なことは、この多項式フィッティングフレームワークは、一階微分正則化によって単調性を強制する新しい訓練目的を通して構造的整合性を保つことである。 PolyRadは、nuScenes、ZJU-4DRadarCam、View-of-Delftデータセットで最先端のパフォーマンスを達成し、既存の手法を30.3%、RMSEでは37.2%上回った。

関連論文リスト

• Relative Pose Estimation through Affine Corrections of Monocular Depth Priors [69.59216331861437]
  本研究では,独立なアフィン(スケールとシフト)のあいまいさを明示的に考慮した相対ポーズ推定のための3つの解法を開発した。 提案する解法と古典的点ベース解法とエピポーラ制約を組み合わせたハイブリッド推定パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:58:30Z)
• TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
  本研究は,推定時間における相対的推定から距離深度を求めるための実用的スケール回復手法であるTanDepthを提示する。 提案手法は,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。 推定深度マップから接地点を選択して、投影された基準点と相関するクラスフィルタシミュレーションへの適応を示す。
  論文  参考訳（メタデータ） (2024-09-08T15:54:43Z)
• Q-SLAM: Quadric Representations for Monocular SLAM [85.82697759049388]
  四角形のレンズを通して体積表現を再現する。 我々は、RGB入力からノイズの深い深さ推定を正すために二次仮定を用いる。 本研究では,新たな二次分割変換器を導入し,二次情報を集約する。
  論文  参考訳（メタデータ） (2024-03-12T23:27:30Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• Weighted Bayesian Gaussian Mixture Model for Roadside LiDAR Object Detection [0.5156484100374059]
  背景モデリングは、静的な背景成分を減じることで移動目標を検出するインテリジェントな監視システムに広く利用されている。 多くの道路沿いのLiDARオブジェクト検出手法は、新しいデータポイントと事前訓練されたバックグラウンド参照を比較して前景点をフィルタリングする。 本稿では,各LiDAR点の標高と方位値に基づいて,生のLiDARデータを構造化表現に変換する。 提案手法は,2つの最先端の道路背景モデル,コンピュータビジョンベンチマーク,深層学習ベースラインを比較し,交通量と難易度で評価された点,対象,経路レベルを比較した。
  論文  参考訳（メタデータ） (2022-04-20T22:48:05Z)
• A Surface Geometry Model for LiDAR Depth Completion [19.33116596688515]
  LiDAR深度完了は、対応するカメラフレーム上の各ピクセルの深度値を予測するタスクである。 既存の最先端のソリューションのほとんどは、モデルのトレーニングに大量のデータと重い計算を必要とするディープニューラルネットワークに基づいています。 本書では, 外周除去アルゴリズムにより強化された局所表面形状を利用して, 新たな非学習深度補完法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T06:48:01Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Balanced Depth Completion between Dense Depth Inference and Sparse Range Measurements via KISS-GP [14.158132769768578]
  密集した正確な深度マップを推定することは、自動運転とロボット工学にとって重要な要件である。 近年のディープラーニングの進歩により、単一の画像から全解像度での深度推定が可能になった。 この驚くべき結果にもかかわらず、多くのディープラーニングベースの単眼深度推定アルゴリズムは、その精度をメーターレベルの推定誤差に保たない。
  論文  参考訳（メタデータ） (2020-08-12T08:07:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。