論文の概要: A Robust Epipolar-Domain Regularization Algorithm for Light Field Depth Estimation
- arxiv url: http://arxiv.org/abs/2508.08900v1
- Date: Tue, 12 Aug 2025 12:41:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.425747
- Title: A Robust Epipolar-Domain Regularization Algorithm for Light Field Depth Estimation
- Title（参考訳）: 光深度推定のためのロバスト極端領域正規化アルゴリズム
- Authors: Noor Islam S. Mohammad,
- Abstract要約: 本稿では,光場に基づく不均質情報と有向ランダムウォーク補正アルゴリズムを統合する軽量深度推定パイプラインを提案する。
従来のCNNベースの手法とは異なり、我々の手法は広範囲のトレーニングや大規模なデータセットを必要とせず、深度マップの一貫性を向上させる。
実験の結果、制御されていない条件下では性能はわずかに低下するが、アルゴリズムは低い計算複雑性と競争精度を維持している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust depth estimation in light field imaging remains a critical challenge for pattern recognition applications such as augmented reality, biomedical imaging, and scene reconstruction. While existing approaches often rely heavily on deep convolutional neural networks, they tend to incur high computational costs and struggle in noisy real-world environments. This paper proposes a novel lightweight depth estimation pipeline that integrates light field-based disparity information with a directed random walk refinement algorithm. Unlike traditional CNN-based methods, our approach enhances depth map consistency without requiring extensive training or large-scale datasets. The proposed method was evaluated on the 4D Light Field Benchmark dataset and a diverse set of real-world images. Experimental results indicate that while performance slightly declines under uncontrolled conditions, the algorithm consistently maintains low computational complexity and competitive accuracy compared to state-of-the-art deep learning models. These findings highlight the potential of our method as a robust and efficient alternative for depth estimation and segmentation in light field imaging. The work provides insights into practical algorithm design for light field-based pattern recognition and opens new directions for integrating probabilistic graph models with depth sensing frameworks.
- Abstract（参考訳）: 光場イメージングにおけるロバスト深度推定は、拡張現実、バイオメディカルイメージング、シーン再構成といったパターン認識の応用において重要な課題である。
既存のアプローチは、しばしば深層畳み込みニューラルネットワークに大きく依存するが、高い計算コストを発生させ、ノイズの多い現実世界環境に苦しむ傾向にある。
本稿では,光場に基づく不均質情報と有向ランダムウォーク補正アルゴリズムを統合する軽量深度推定パイプラインを提案する。
従来のCNNベースの手法とは異なり、我々の手法は広範囲のトレーニングや大規模なデータセットを必要とせず、深度マップの一貫性を向上させる。
提案手法は,4次元光場ベンチマークデータセットと実世界の多様な画像を用いて評価した。
実験の結果、制御されていない条件下では性能はわずかに低下するが、このアルゴリズムは最先端のディープラーニングモデルと比較して計算複雑性と競合精度を一貫して維持している。
これらの知見は,光場イメージングにおける深度推定とセグメンテーションのための頑健で効率的な代替手段として,本手法の可能性を浮き彫りにした。
この研究は、光場に基づくパターン認識のための実用的なアルゴリズム設計に関する洞察を提供し、確率的グラフモデルと深度検知フレームワークを統合するための新しい方向を開く。
関連論文リスト
- DepthFM: Fast Monocular Depth Estimation with Flow Matching [22.206355073676082]
現在の識別的深さ推定法は、しばしばぼやけた人工物を生成するが、生成的アプローチはノイズ・ツー・ディープ・トランスポートの曲率によるサンプリングが遅い。
本手法は,画像と深度分布間の直接輸送として深度推定をフレーミングすることで,これらの課題に対処する。
提案手法は, 複雑な自然シーンの標準ベンチマークにおいて, サンプリング効率を向上し, 学習に最小限の合成データしか必要とせず, 競争力のあるゼロショット性能を実現する。
論文 参考訳（メタデータ） (2024-03-20T17:51:53Z) - EndoDepthL: Lightweight Endoscopic Monocular Depth Estimation with
CNN-Transformer [0.0]
我々は,CNNとTransformerを統合してマルチスケール深度マップを推定する,EndoDepthLという新しい軽量ソリューションを提案する。
提案手法は,ネットワークアーキテクチャの最適化,マルチスケール拡張畳み込み,マルチチャネルアテンション機構の導入を含む。
内視鏡画像における単眼深度推定の性能をよりよく評価するために,新しい複雑性評価指標を提案する。
論文 参考訳（メタデータ） (2023-08-04T21:38:29Z) - DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。
筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。
DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
論文 参考訳（メタデータ） (2022-12-05T14:00:59Z) - Self-Supervised Light Field Depth Estimation Using Epipolar Plane Images [13.137957601685041]
光深度推定のための自己教師付き学習フレームワークを提案する。
提案手法は,他の最先端手法と比較して,実世界のシナリオにおいて高品質な結果を得ることができる。
論文 参考訳（メタデータ） (2022-03-29T01:18:59Z) - Low-light Image Enhancement by Retinex Based Algorithm Unrolling and
Adjustment [50.13230641857892]
本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。
提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。
一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-02-12T03:59:38Z) - A Bayesian Based Deep Unrolling Algorithm for Single-Photon Lidar
Systems [4.386694688246789]
現実の応用における3次元単光子ライダーイメージングは、高騒音環境におけるイメージングを含む複数の課題に直面している。
統計や学習に基づくフレームワークに基づいて,これらの問題に対処するアルゴリズムが提案されている。
本稿では,統計的ベイズアルゴリズムを単一光子ライダーデータから頑健な画像再構成のための新しいディープラーニングアーキテクチャに展開する。
論文 参考訳（メタデータ） (2022-01-26T12:58:05Z) - Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。
この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文 参考訳（メタデータ） (2021-09-28T20:22:44Z) - Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。
光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。
提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
論文 参考訳（メタデータ） (2021-06-06T06:19:50Z) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳（メタデータ） (2020-12-12T10:33:08Z) - Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
グループベース画像復元法は,パッチ間の類似性収集に有効である。
各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。
提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
論文 参考訳（メタデータ） (2020-08-09T15:12:16Z)
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。