論文の概要: M3Depth: Wavelet-Enhanced Depth Estimation on Mars via Mutual Boosting of Dual-Modal Data

• arxiv url: http://arxiv.org/abs/2505.14159v1
• Date: Tue, 20 May 2025 10:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.051822
• Title: M3Depth: Wavelet-Enhanced Depth Estimation on Mars via Mutual Boosting of Dual-Modal Data
• Title（参考訳）: M3Depth:デュアルモーダルデータの相互ブーピングによる火星のウェーブレットによる深度推定
• Authors: Junjie Li, Jiawei Wang, Miyu Li, Yu Liu, Yumei Wang, Haitao Xu,
• Abstract要約: 火星探査機に適した深度推定モデルであるM3Depthを提案する。 火星の地形のスムーズでスムーズなテクスチャを考えると,このモデルにはウェーブレット変換に基づく畳み込みカーネルが組み込まれている。 M3Depthは、深さ推定における他の最先端手法と比較して、深さ推定精度が16%向上した。
• 参考スコア（独自算出の注目度）: 16.951488779261343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depth estimation plays a great potential role in obstacle avoidance and navigation for further Mars exploration missions. Compared to traditional stereo matching, learning-based stereo depth estimation provides a data-driven approach to infer dense and precise depth maps from stereo image pairs. However, these methods always suffer performance degradation in environments with sparse textures and lacking geometric constraints, such as the unstructured terrain of Mars. To address these challenges, we propose M3Depth, a depth estimation model tailored for Mars rovers. Considering the sparse and smooth texture of Martian terrain, which is primarily composed of low-frequency features, our model incorporates a convolutional kernel based on wavelet transform that effectively captures low-frequency response and expands the receptive field. Additionally, we introduce a consistency loss that explicitly models the complementary relationship between depth map and surface normal map, utilizing the surface normal as a geometric constraint to enhance the accuracy of depth estimation. Besides, a pixel-wise refinement module with mutual boosting mechanism is designed to iteratively refine both depth and surface normal predictions. Experimental results on synthetic Mars datasets with depth annotations show that M3Depth achieves a significant 16% improvement in depth estimation accuracy compared to other state-of-the-art methods in depth estimation. Furthermore, the model demonstrates strong applicability in real-world Martian scenarios, offering a promising solution for future Mars exploration missions.
• Abstract（参考訳）: 深さ推定は、さらなる火星探査ミッションの障害物回避と航法において大きな役割を果たす。 従来のステレオマッチングと比較して、学習に基づくステレオ深度推定は、ステレオ画像対から密で正確な深度マップを推測するデータ駆動型アプローチを提供する。 しかし、これらの手法は、粗いテクスチャを持ち、火星の非構造地形のような幾何学的な制約を欠いている環境では、常に性能劣化に悩まされる。 これらの課題に対処するため,火星探査機に適した深度推定モデルであるM3Depthを提案する。 低周波特性を主成分とする火星地形のスムーズでスムーズなテクスチャを考えると,このモデルではウェーブレット変換に基づく畳み込みカーネルを組み込んで,低周波応答を効果的に捉え,受容場を拡大する。 さらに,深度マップと表面正規写像の相補関係を明示的にモデル化する整合損失を導入し,表面正規分布を幾何的制約として利用して深度推定の精度を高める。 また、相互強化機構を有する画素ワイドリファインメントモジュールは、深さと表面の正常な予測を反復的に洗練するように設計されている。 深度アノテーションを用いた合成火星データセットの実験結果から,M3Depthは深度推定における他の最先端手法と比較して,深度推定精度が16%向上していることがわかった。 さらに、このモデルは実際の火星のシナリオに強い適用性を示し、将来の火星探査ミッションに有望な解決策を提供する。

関連論文リスト

• Seurat: From Moving Points to Depth [66.65189052568209]
  本研究では,2次元軌跡の空間的関係と時間的変化を調べ,相対的な深度を推定する手法を提案する。 提案手法は,様々な領域にわたる時間的スムーズかつ高精度な深度予測を実現する。
  論文  参考訳（メタデータ） (2025-04-20T17:37:02Z)
• Deep Neural Networks for Accurate Depth Estimation with Latent Space Features [0.0]
  本研究では,深部畳み込みニューラルネットワークにおける潜時空間特徴を利用した新しい深度推定フレームワークを提案する。 提案モデルでは,2つのエンコーダ・デコーダアーキテクチャを特徴とし,色から深度への変換と深度への変換が可能である。 フレームワークはNYU Depth V2データセットを使用して徹底的にテストされている。
  論文  参考訳（メタデータ） (2025-02-17T13:11:35Z)
• RDG-GS: Relative Depth Guidance with Gaussian Splatting for Real-time Sparse-View 3D Rendering [13.684624443214599]
  本稿では,3次元ガウススプラッティングに基づく相対深度誘導を用いた新しいスパースビュー3DレンダリングフレームワークRDG-GSを提案する。 中心となる革新は、相対的な深度誘導を利用してガウス場を洗練させ、ビュー一貫性のある空間幾何学的表現に向けてそれを操ることである。 Mip-NeRF360, LLFF, DTU, Blenderに関する広範な実験を通じて、RDG-GSは最先端のレンダリング品質と効率を実証している。
  論文  参考訳（メタデータ） (2025-01-19T16:22:28Z)
• SharpDepth: Sharpening Metric Depth Predictions Using Diffusion Distillation [17.88798247412388]
  SharpDepthは、識別深度推定法の計量精度と、生成法によって通常達成されるきめ細かい境界シャープネスを組み合わせている。 我々の手法は、距離精度と詳細な境界保存を統合することでこれらの制限を橋渡しし、計量的精度と視覚的シャープさの両方の深さ予測をもたらす。
  論文  参考訳（メタデータ） (2024-11-27T11:07:27Z)
• DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
  ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。 ガウススプラッティングは、強力な深度モデルを学ぶための教師なし事前学習の目的として機能することを示す。 我々のDepthSplatは、ScanNet、RealEstate10K、DL3DVデータセットの最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-17T17:59:58Z)
• 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)
• Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
  実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。 画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。 局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
  論文  参考訳（メタデータ） (2024-02-14T04:07:44Z)
• Precision Mars Entry Navigation with Atmospheric Density Adaptation via Neural Networks [0.0]
  この研究は、ニューラルネットワークを用いて大気密度を推定する、火星突入のためのオンラインフィルタリングの新しいアプローチを導入する。 ネットワークは指数的な大気密度モデルに基づいて訓練され、そのパラメータは、真の密度と推定された密度のミスマッチを考慮するために、リアルタイムで動的に適応される。
  論文  参考訳（メタデータ） (2024-01-17T19:10:09Z)
• HiMODE: A Hybrid Monocular Omnidirectional Depth Estimation Model [3.5290359800552946]
  HiMODE は CNN+ Transformer アーキテクチャに基づく新しい単分子全方位深度推定モデルである。 360deg単分子深度推定において,HiMODEは最先端の性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2022-04-11T11:11:43Z)

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。