論文の概要: Gaussian Belief Propagation Network for Depth Completion

• arxiv url: http://arxiv.org/abs/2601.21291v1
• Date: Thu, 29 Jan 2026 05:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.601674
• Title: Gaussian Belief Propagation Network for Depth Completion
• Title（参考訳）: 奥行き完了のためのガウス的信念伝播ネットワーク
• Authors: Jie Tang, Pingping Xie, Jian Li, Ping Tan,
• Abstract要約: 深層学習法は最先端(SOTA)の性能を達成したが、入力深度データのスパースで不規則な性質を扱うことは大きな課題である。 本稿では,Gaussian Belief Propagation Network (GBPN)を紹介した。 GBPNはNYUv2ベンチマークとKITTIベンチマークでSOTA性能を達成した。
• 参考スコア（独自算出の注目度）: 38.053489092019824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Depth completion aims to predict a dense depth map from a color image with sparse depth measurements. Although deep learning methods have achieved state-of-the-art (SOTA), effectively handling the sparse and irregular nature of input depth data in deep networks remains a significant challenge, often limiting performance, especially under high sparsity. To overcome this limitation, we introduce the Gaussian Belief Propagation Network (GBPN), a novel hybrid framework synergistically integrating deep learning with probabilistic graphical models for end-to-end depth completion. Specifically, a scene-specific Markov Random Field (MRF) is dynamically constructed by the Graphical Model Construction Network (GMCN), and then inferred via Gaussian Belief Propagation (GBP) to yield the dense depth distribution. Crucially, the GMCN learns to construct not only the data-dependent potentials of MRF but also its structure by predicting adaptive non-local edges, enabling the capture of complex, long-range spatial dependencies. Furthermore, we enhance GBP with a serial \& parallel message passing scheme, designed for effective information propagation, particularly from sparse measurements. Extensive experiments demonstrate that GBPN achieves SOTA performance on the NYUv2 and KITTI benchmarks. Evaluations across varying sparsity levels, sparsity patterns, and datasets highlight GBPN's superior performance, notable robustness, and generalizable capability.
• Abstract（参考訳）: 深度完了は、疎深度測定で色画像から濃密な深度マップを予測することを目的としている。 深層学習法は最先端技術(SOTA)を達成しているが、深層ネットワークにおける入力深度データのスパースと不規則性を効果的に扱うことは大きな課題であり、特に疎度が高い場合において性能を制限している。 この制限を克服するため,我々はGaussian Belief Propagation Network (GBPN)を紹介した。 具体的には、シーン固有のマルコフランダム場(MRF)は、グラフィカルモデル構築ネットワーク(GMCN)によって動的に構築され、その後、ガウス的信念伝播(GBP)を介して推定され、密度分布が得られる。 重要なことは、GMCNは、MRFのデータ依存ポテンシャルだけでなく、適応的な非局所エッジを予測することによって、複雑な長距離空間依存を捕捉することで、その構造を構築することを学ぶ。 さらに、特にスパース測定から、効果的な情報伝達を目的としたシリアルな \&並列メッセージパッシング方式により、GBPを強化した。 GBPNはNYUv2ベンチマークとKITTIベンチマークでSOTA性能を達成した。 さまざまなスパーシリティレベル、スパーシティパターン、データセットに対する評価は、GBPNの優れたパフォーマンス、顕著な堅牢性、一般化可能な能力を強調している。

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)
• 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)
• MaskingDepth: Masked Consistency Regularization for Semi-supervised Monocular Depth Estimation [38.09399326203952]
  MaskingDepthは単眼深度推定のための新しい半教師付き学習フレームワークである。 強く拡張された未ラベルデータと、弱い拡張された未ラベルデータから派生した擬似ラベルとの間の一貫性を強制する。
  論文  参考訳（メタデータ） (2022-12-21T06:56:22Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Unsupervised Spike Depth Estimation via Cross-modality Cross-domain Knowledge Transfer [53.413305467674434]
  スパイク深度推定をサポートするためにオープンソースのRGBデータを導入し,そのアノテーションと空間情報を活用する。 教師なしスパイク深さ推定を実現するために,クロスモーダルクロスドメイン(BiCross)フレームワークを提案する。 提案手法は,RGB指向の教師なし深度推定法と比較して,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-08-26T09:35:20Z)
• Struct-MDC: Mesh-Refined Unsupervised Depth Completion Leveraging Structural Regularities from Visual SLAM [1.8899300124593648]
  特徴量に基づく視覚的同時位置決めとマッピング法(SLAM)は,抽出した特徴量の深さのみを推定する。 スパース深度から密集深度を推定する深度完了タスクは、探索のようなロボット応用において重要な役割を担っている。 この問題に対処するためのメッシュ深度改善(MDR)モジュールを提案する。 Struct-MDCは、公開およびカスタムデータセット上で、他の最先端アルゴリズムよりも優れています。
  論文  参考訳（メタデータ） (2022-04-29T04:29:17Z)
• Global-Local Path Networks for Monocular Depth Estimation with Vertical CutDepth [24.897377434844266]
  単分子深度推定のための新しい構造とトレーニング戦略を提案する。 階層型トランスフォーマーエンコーダをデプロイして,グローバルなコンテキストをキャプチャし,伝達し,軽量で強力なデコーダを設計する。 我々のネットワークは、挑戦的な深度データセットNYU Depth V2に対して最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-01-19T06:37:21Z)
• Shallow Network Based on Depthwise Over-Parameterized Convolution for Hyperspectral Image Classification [0.7329200485567825]
  本稿では,畳み込みニューラルネットワーク(CNN)を用いたハイパースペクトル画像分類(HSIC)の浅層モデルを提案する。 提案手法は、分類精度と計算効率の観点から、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-01T03:10:02Z)
• 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)

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。