論文の概要: Uncertainty Quantification Framework for Aerial and UAV Photogrammetry through Error Propagation

• arxiv url: http://arxiv.org/abs/2507.13486v1
• Date: Thu, 17 Jul 2025 18:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.115417
• Title: Uncertainty Quantification Framework for Aerial and UAV Photogrammetry through Error Propagation
• Title（参考訳）: 誤差伝搬による航空・UAV測光の不確実性定量化フレームワーク
• Authors: Debao Huang, Rongjun Qin,
• Abstract要約: 点雲の点ごとの精度認証を提供するためには、光グラム法プロセスの不確かさの定量化が不可欠である。 本稿では,この2段階のフォトグラム法における誤差共分散行列を点当たりに関連付けることにより,不確実性定量化の枠組みを提案する。 既存の手法と比較して,本手法ではMVSプロセスから直接抽出した自己完結型,信頼性の高い3次元点を用いる。
• 参考スコア（独自算出の注目度）: 5.146618378243241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification of the photogrammetry process is essential for providing per-point accuracy credentials of the point clouds. Unlike airborne LiDAR, which typically delivers consistent accuracy across various scenes, the accuracy of photogrammetric point clouds is highly scene-dependent, since it relies on algorithm-generated measurements (i.e., stereo or multi-view stereo). Generally, errors of the photogrammetric point clouds propagate through a two-step process: Structure-from-Motion (SfM) with Bundle adjustment (BA), followed by Multi-view Stereo (MVS). While uncertainty estimation in the SfM stage has been well studied using the first-order statistics of the reprojection error function, that in the MVS stage remains largely unsolved and non-standardized, primarily due to its non-differentiable and multi-modal nature (i.e., from pixel values to geometry). In this paper, we present an uncertainty quantification framework closing this gap by associating an error covariance matrix per point accounting for this two-step photogrammetry process. Specifically, to estimate the uncertainty in the MVS stage, we propose a novel, self-calibrating method by taking reliable n-view points (n>=6) per-view to regress the disparity uncertainty using highly relevant cues (such as matching cost values) from the MVS stage. Compared to existing approaches, our method uses self-contained, reliable 3D points extracted directly from the MVS process, with the benefit of being self-supervised and naturally adhering to error propagation path of the photogrammetry process, thereby providing a robust and certifiable uncertainty quantification across diverse scenes. We evaluate the framework using a variety of publicly available airborne and UAV imagery datasets. Results demonstrate that our method outperforms existing approaches by achieving high bounding rates without overestimating uncertainty.
• Abstract（参考訳）: 点雲の点ごとの精度認証を提供するためには、光グラム法プロセスの不確かさの定量化が不可欠である。 様々な場面で一貫した精度を提供する空中LiDARとは異なり、光グラムの点雲の精度はアルゴリズムによる測定(ステレオやマルチビューステレオなど)に依存するため、非常にシーン依存である。 一般的に、フォトグラムの点雲の誤差は2段階のプロセスで伝播する: 構造移動(Structure-from-Motion, SfM)とバンドル調整(BA)、そしてマルチビューステレオ(MVS)である。 SfM 段階における不確実性推定は再射誤差関数の1次統計値を用いてよく研究されているが、MVS 段階においては、主に非微分可能かつ多モードの性質(ピクセル値から幾何学まで)のため、ほとんど未解決かつ非標準化のままである。 本稿では,この2段階のフォトグラム法を考慮に入れた点あたりの誤差共分散行列を連想させることにより,このギャップを埋める不確実な定量化フレームワークを提案する。 具体的には、MVSの段階での不確実性を推定するために、MVSの段階での高関連性の高い手がかり(コスト値の一致など)を用いて、信頼性の高いn-ビューポイント(n>=6)を1ビューあたりとることによる、新しい自己校正手法を提案する。 既存の手法と比較して,本手法では,MVSプロセスから直接抽出した自己完結型で信頼性の高い3Dポイントを用いて,フォトグラメトリープロセスの誤り伝播経路に自然に固執し,様々な場面で確実かつ確実な定量化を実現する。 各種の航空写真データセットとUAV画像データセットを用いて,本フレームワークの評価を行った。 その結果,本手法は,不確実性を過大に見積もることなく,高いバウンディング率を達成し,既存手法よりも優れていることを示す。

関連論文リスト

• Solving Inverse Problems with FLAIR [59.02385492199431]
  フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。 本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Deep priors for satellite image restoration with accurate uncertainties [4.879530644978008]
  本稿では,複数のセンサからの画像を復元する1つのネットワークを包含する汎用手法を提案する。 VBLE-xzは、現実的な後続サンプルと正確な不確実性を得るためのスケーラブルな方法である。 SatDPIRは、不確実性を必要としない場合、直接反転法に代わる魅力的な代替手段である。
  論文  参考訳（メタデータ） (2024-12-05T12:56:03Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• On the Quantification of Image Reconstruction Uncertainty without Training Data [5.057039869893053]
  本稿では,深部生成モデルを用いて近似後部分布を学習する深部変分フレームワークを提案する。 フローベースモデルを用いてターゲット後部をパラメータ化し,KL(Kullback-Leibler)の発散を最小限に抑え,正確な不確実性推定を実現する。 提案手法は信頼性と高品質な画像再構成を実現し,信頼性の高い不確実性を推定する。
  論文  参考訳（メタデータ） (2023-11-16T07:46:47Z)
• A Critical Analysis of Internal Reliability for Uncertainty Quantification of Dense Image Matching in Multi-view Stereo [6.080047833147669]
  フォトグラムで導いた点雲は、多くの民間用途で広く使われている。 ポイント単位の誤差を決定する標準的なエラー基準は存在しない。 この複雑さにもかかわらず、導出した点の後方信頼度を推定する過程に役立ついくつかの一般的な指標が存在する。
  論文  参考訳（メタデータ） (2023-09-17T21:06:22Z)
• Degradation-agnostic Correspondence from Resolution-asymmetric Stereo [96.03964515969652]
  テレワイドカメラシステムで取得した解像度の異なる2枚の画像からステレオマッチングの問題を考察する。 特徴量整合性という画像空間の代わりに特徴空間に2つのビュー間の整合性を課すことを提案する。 測光損失をトレーニングしたステレオマッチングネットワークは最適ではないが, 特徴抽出器は劣化に依存しない, マッチング特有の特徴を生成できる。
  論文  参考訳（メタデータ） (2022-04-04T12:24:34Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Robustness via Uncertainty-aware Cycle Consistency [44.34422859532988]
  非ペア画像-画像間の変換とは、対応する画像対を使わずに画像間マッピングを学習することを指す。 既存の手法は、外乱や予測の不確実性にロバスト性を明示的にモデル化することなく決定論的マッピングを学習する。 不確実性を考慮した一般化適応サイクル一貫性(UGAC)に基づく新しい確率的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T15:33:21Z)
• Deep Bayesian inference for seismic imaging with tasks [0.6445605125467573]
  本稿では,ベイズ推定と深部ニューラルネットワークの手法を用いて,地震探査における不確実性を画像上で行うタスクの不確実性に変換することを提案する。 画像中のノイズによる不確かさを、自動的に追従された地平面の信頼区間に変換するための体系的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-10T15:25:44Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)

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。