論文の概要: URNet: Uncertainty-aware Refinement Network for Event-based Stereo Depth Estimation

• arxiv url: http://arxiv.org/abs/2509.18184v1
• Date: Thu, 18 Sep 2025 07:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.467245
• Title: URNet: Uncertainty-aware Refinement Network for Event-based Stereo Depth Estimation
• Title（参考訳）: URNet:イベントベースステレオ深度推定のための不確実性認識リファインメントネットワーク
• Authors: Yifeng Cheng, Alois Knoll, Hu Cao,
• Abstract要約: イベントカメラは高時間分解能、高ダイナミックレンジ、低レイテンシを提供する。 イベントベースステレオ深度推定のための不確実性認識ネットワークURNetを導入する。
• 参考スコア（独自算出の注目度）: 35.032297238013186
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Event cameras provide high temporal resolution, high dynamic range, and low latency, offering significant advantages over conventional frame-based cameras. In this work, we introduce an uncertainty-aware refinement network called URNet for event-based stereo depth estimation. Our approach features a local-global refinement module that effectively captures fine-grained local details and long-range global context. Additionally, we introduce a Kullback-Leibler (KL) divergence-based uncertainty modeling method to enhance prediction reliability. Extensive experiments on the DSEC dataset demonstrate that URNet consistently outperforms state-of-the-art (SOTA) methods in both qualitative and quantitative evaluations.
• Abstract（参考訳）: イベントカメラは、高時間分解能、高ダイナミックレンジ、低レイテンシを提供する。 本研究では,イベントベースステレオ深度推定のためのURNetと呼ばれる不確実性を考慮した改良ネットワークを提案する。 提案手法は,局所的な細部や長距離のグローバルなコンテキストを効果的に把握する,局所的言語改良モジュールを特徴とする。 さらに,予測信頼性を高めるために,Kulback-Leibler (KL) の発散に基づく不確実性モデリング手法を提案する。 DSECデータセットの大規模な実験は、URNetが定性評価と定量的評価の両方において、最先端(SOTA)メソッドを一貫して上回っていることを示している。

関連論文リスト

• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• CCDepth: A Lightweight Self-supervised Depth Estimation Network with Enhanced Interpretability [11.076431337488973]
  本研究では,畳み込みニューラルネットワーク(CNN)とホワイトボックスCRATEネットワークを組み合わせた,ハイブリッド型自己教師型深度推定ネットワークCCDepthを提案する。 このネットワークは,CNNとCRATEモジュールを用いて画像中の局所的およびグローバルな情報を抽出し,学習効率の向上とモデルサイズ削減を実現する。
  論文  参考訳（メタデータ） (2024-09-30T04:19:40Z)
• Self-supervised Monocular Depth Estimation Based on Hierarchical Feature-Guided Diffusion [16.673178271652553]
  自己監督型単分子深度推定は、地上の真実を示さずに訓練できるため、広く注目を集めている。 我々は,自己教師付き単眼深度推定のための独特の認知学習プロセスを備えた生成的拡散モデルを用いる。 我々は,KITTIとMake3Dデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-06-14T07:31:20Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Do Bayesian Neural Networks Improve Weapon System Predictive Maintenance? [0.9790236766474201]
  我々は、信頼性の高い兵器システムの故障時期をモデル化するために、ニューラルネットワークのためのベイズ推論プロセスを実装した。 合成および実際のデータセットに基づいて、アプローチであるLaplaceNNを分析し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-12-16T16:16:28Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)

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。