論文の概要: RobustSpring: Benchmarking Robustness to Image Corruptions for Optical Flow, Scene Flow and Stereo

• arxiv url: http://arxiv.org/abs/2505.09368v1
• Date: Wed, 14 May 2025 13:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.468392
• Title: RobustSpring: Benchmarking Robustness to Image Corruptions for Optical Flow, Scene Flow and Stereo
• Title（参考訳）: RobustSpring: 光フロー、シーンフロー、ステレオのための画像破壊に対するロバストさのベンチマーク
• Authors: Jenny Schmalfuss, Victor Oei, Lukas Mehl, Madlen Bartsch, Shashank Agnihotri, Margret Keuper, Andrés Bruhn,
• Abstract要約: 我々は、光学フロー、シーンフロー、ステレオモデルに対する画像破損に対するロバスト性を評価するためのデータセットとベンチマークであるRobustSpringを提案する。 RobustSpringは、ノイズ、ぼかし、色の変化、品質劣化、天候の歪みなど、20の異なる画像汚職を、時間的、ステレオ的、深さ的に適用する。 我々は、初期モデルのキュレートされた選択をベンチマークし、正確なモデルは必ずしも堅牢ではなく、ロバスト性は腐敗タイプによって大きく異なることを観察する。
• 参考スコア（独自算出の注目度）: 12.718780414062167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard benchmarks for optical flow, scene flow, and stereo vision algorithms generally focus on model accuracy rather than robustness to image corruptions like noise or rain. Hence, the resilience of models to such real-world perturbations is largely unquantified. To address this, we present RobustSpring, a comprehensive dataset and benchmark for evaluating robustness to image corruptions for optical flow, scene flow, and stereo models. RobustSpring applies 20 different image corruptions, including noise, blur, color changes, quality degradations, and weather distortions, in a time-, stereo-, and depth-consistent manner to the high-resolution Spring dataset, creating a suite of 20,000 corrupted images that reflect challenging conditions. RobustSpring enables comparisons of model robustness via a new corruption robustness metric. Integration with the Spring benchmark enables public two-axis evaluations of both accuracy and robustness. We benchmark a curated selection of initial models, observing that accurate models are not necessarily robust and that robustness varies widely by corruption type. RobustSpring is a new computer vision benchmark that treats robustness as a first-class citizen to foster models that combine accuracy with resilience. It will be available at https://spring-benchmark.org.
• Abstract（参考訳）: 光フロー、シーンフロー、ステレオビジョンアルゴリズムの標準ベンチマークは、一般的にノイズや雨のような画像の破損に対する堅牢性よりもモデル精度に重点を置いている。 したがって、そのような現実世界の摂動に対するモデルのレジリエンスは、ほとんど定量化されていない。 これを解決するために、私たちは、光学フロー、シーンフロー、ステレオモデルのための画像破損に対する堅牢性を評価するための包括的なデータセットとベンチマークであるRobustSpringを紹介します。 RobustSpringは、高解像度のSpringデータセットに対して、ノイズ、ぼかし、色の変化、品質劣化、および天候の歪みを含む20の異なる画像の破損を、時間、ステレオ、深度に一貫性のある方法で適用し、困難な条件を反映した2万の画像スイートを作成する。 RobustSpringは、新しい汚いロバストネスメトリックを通じてモデルロバストネスの比較を可能にする。 Springベンチマークとの統合により、正確性と堅牢性の両方に関する2軸の公開評価が可能になる。 我々は、初期モデルのキュレートされた選択をベンチマークし、正確なモデルは必ずしも堅牢ではなく、ロバスト性は腐敗タイプによって大きく異なることを観察する。 RobustSpringは、ロバストネスを第一級市民として扱い、精度とレジリエンスを組み合わせたモデルを促進する新しいコンピュータビジョンベンチマークである。 https://spring-benchmark.orgで入手できる。

関連論文リスト

• Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models [58.98742597810023]
  視覚モデルは、ノイズやぼやけなどの乱れに対して頑丈に振る舞う必要がある。 本稿では,OpticsBenchとLensCorruptionsという,ぼやけた汚職の2つのデータセットについて検討する。 ImageNet と MSCOCO における画像分類と物体検出の評価は,様々な事前学習モデルにおいて OpticsBench と LensCorruptions の性能が著しく異なることを示す。
  論文  参考訳（メタデータ） (2025-04-25T17:23:47Z)
• Benchmarking the Robustness of Optical Flow Estimation to Corruptions [25.789811424859554]
  光フローモデルのベンチマークに特化して設計された7つの時間的破損について紹介する。 2つのロバスト性ベンチマーク、KITTI-FCとGoPro-FCが、光学フロー推定のための最初の汚職性ベンチマークとして確立されている。 15個の光学流法から29種類のモデルが評価され、10個の興味深い観測結果が得られた。
  論文  参考訳（メタデータ） (2024-11-22T11:31:01Z)
• ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object [78.58860252442045]
  我々は、深層モデルの堅牢性をベンチマークするハードイメージのためのデータソースとして、生成モデルを紹介した。 このベンチマークを ImageNet-D と呼ぶ以前の作業よりも、背景、テクスチャ、材料が多様化したイメージを生成することができます。 我々の研究は、拡散モデルが視覚モデルをテストするのに効果的な情報源となることを示唆している。
  論文  参考訳（メタデータ） (2024-03-27T17:23:39Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• Benchmarking the Robustness of Spatial-Temporal Models Against Corruptions [32.821121530785504]
  我々は、画像の空間的腐敗を超えた時間的腐敗を考慮した、汚職堅牢性ベンチマーク、Mini Kinetics-CとMini SSV2-Cを確立する。 我々は、確立されたCNNベースおよびトランスフォーマーベースの時空間時間モデルにおける破壊堅牢性に関する徹底的な研究を行うための最初の試みを行う。
  論文  参考訳（メタデータ） (2021-10-13T05:59:39Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
  ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。 我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。 分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
  論文  参考訳（メタデータ） (2020-10-19T17:06:18Z)

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。