論文の概要: Self-Supervised Learning for Transparent Object Depth Completion Using Depth from Non-Transparent Objects

• arxiv url: http://arxiv.org/abs/2512.05006v1
• Date: Thu, 04 Dec 2025 17:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.291192
• Title: Self-Supervised Learning for Transparent Object Depth Completion Using Depth from Non-Transparent Objects
• Title（参考訳）: 非透明物体からの深度を用いた透明物体深度補完のための自己教師付き学習
• Authors: Xianghui Fan, Zhaoyu Chen, Mengyang Pan, Anping Deng, Hang Yang,
• Abstract要約: そこで本研究では,深度ネットワークを学習するための自己教師型手法を提案する。 非透明領域における透明物体の深さ欠陥をシミュレートする。 実験により,本手法は教師付き手法に匹敵する性能を示す。
• 参考スコア（独自算出の注目度）: 10.093838998509796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The perception of transparent objects is one of the well-known challenges in computer vision. Conventional depth sensors have difficulty in sensing the depth of transparent objects due to refraction and reflection of light. Previous research has typically train a neural network to complete the depth acquired by the sensor, and this method can quickly and accurately acquire accurate depth maps of transparent objects. However, previous training relies on a large amount of annotation data for supervision, and the labeling of depth maps is costly. To tackle this challenge, we propose a new self-supervised method for training depth completion networks. Our method simulates the depth deficits of transparent objects within non-transparent regions and utilizes the original depth map as ground truth for supervision. Experiments demonstrate that our method achieves performance comparable to supervised approach, and pre-training with our method can improve the model performance when the training samples are small.
• Abstract（参考訳）: 透明物体の知覚はコンピュータビジョンにおけるよく知られた課題の1つである。 従来の深度センサーは、屈折や光の反射による透明物体の深度を感知することが困難である。 従来の研究では、センサーが取得した深度をニューラルネットワークにトレーニングし、この方法では、透明物体の正確な深度マップを迅速かつ正確に取得することができる。 しかし、従来のトレーニングは大量のアノテーションデータに依存しており、深度マップのラベル付けはコストがかかる。 そこで我々は,この課題に対処するために,深度補修ネットワークを訓練するための自己教師型手法を提案する。 本手法は透明でない領域における透明物体の深度欠陥をシミュレートし,本来の深度マップを根本的真理として活用する。 実験により,本手法は教師付きアプローチに匹敵する性能を示し,トレーニングサンプルが小さい場合の事前学習によりモデル性能を向上させることができることがわかった。

関連論文リスト

• Rethinking Transparent Object Grasping: Depth Completion with Monocular Depth Estimation and Instance Mask [10.472380465235629]
  ReMakeは、インスタンスマスクと単眼深度推定によってガイドされる、新しい深度補完フレームワークである。 提案手法は,ベンチマークデータセットと実世界のシナリオの両方において,既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-08-04T15:14:47Z)
• DCIRNet: Depth Completion with Iterative Refinement for Dexterous Grasping of Transparent and Reflective Objects [9.235004977824026]
  透過的および反射的オブジェクトのための新しいマルチモーダルディープコンプリートネットワークであるDCIRNetを提案する。 提案手法は,RGB画像と不完全深度マップ間の補完情報を抽出するための,革新的なマルチモーダル機能融合モジュールを組み込んだものである。 透明で反射的なオブジェクトの把握成功率を44%で改善しました。
  論文  参考訳（メタデータ） (2025-06-11T08:04:22Z)
• TDCNet: Transparent Objects Depth Completion with CNN-Transformer Dual-Branch Parallel Network [8.487135422430972]
  透明物体深度を補完する2分岐CNN-Transformer並列ネットワークであるTDCNetを提案する。 本モデルは,複数の公開データセットにまたがって最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-19T15:42:21Z)
• Transparent Object Depth Completion [11.825680661429825]
  理解と操作のための透明な物体の認識は、依然として大きな課題である。 深度マップに大きく依存する既存のロボットグリップ法は、その独特の視覚特性のために透明な物体には適さない。 本稿では,一視点RGB-Dに基づく深度推定と多視点深度推定の長所を組み合わせた,透明物体深度補完のためのエンドツーエンドネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T07:38:06Z)
• Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
  様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。 まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。 大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-05T17:55:33Z)
• Source-free Depth for Object Pop-out [113.24407776545652]
  現代の学習に基づく手法は、野生での推論による有望な深度マップを提供する。 本研究では,オブジェクトの3次元前の「ポップアウト」を用いて,オブジェクトセグメンテーションの深度推定モデルを適用する。 8つのデータセットに対する我々の実験は、性能と一般化性の両方の観点から、我々の方法の利点を一貫して示している。
  論文  参考訳（メタデータ） (2022-12-10T21:57:11Z)
• Self-Guided Instance-Aware Network for Depth Completion and Enhancement [6.319531161477912]
  既存の手法では,画素ワイド画像の内容とそれに対応する近傍の深度値に基づいて,欠落した深度測定を直接補間する。 本稿では、自己誘導機構を利用して、深度復元に必要なインスタンスレベルの特徴を抽出する自己誘導型インスタンス認識ネットワーク(SG-IANet)を提案する。
  論文  参考訳（メタデータ） (2021-05-25T19:41:38Z)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)
• Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
  近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。 カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:35:45Z)

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。