論文の概要: Need for Speed: Zero-Shot Depth Completion with Single-Step Diffusion

• arxiv url: http://arxiv.org/abs/2603.10584v1
• Date: Wed, 11 Mar 2026 09:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.88124
• Title: Need for Speed: Zero-Shot Depth Completion with Single-Step Diffusion
• Title（参考訳）: 速度の必要性:単段拡散によるゼロショット深さ補完
• Authors: Jakub Gregorek, Paraskevas Pegios, Nando Metzger, Konrad Schindler, Theodora Kontogianni, Lazaros Nalpantidis,
• Abstract要約: 単一ステップの遅延深度補完フレームワークであるMarigold-SSDを紹介する。 提案手法は,実世界の遅延制約下での高効率で堅牢な3次元認識を可能にする。
• 参考スコア（独自算出の注目度）: 22.890167750344016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Marigold-SSD, a single-step, late-fusion depth completion framework that leverages strong diffusion priors while eliminating the costly test-time optimization typically associated with diffusion-based methods. By shifting computational burden from inference to finetuning, our approach enables efficient and robust 3D perception under real-world latency constraints. Marigold-SSD achieves significantly faster inference with a training cost of only 4.5 GPU days. We evaluate our method across four indoor and two outdoor benchmarks, demonstrating strong cross-domain generalization and zero-shot performance compared to existing depth completion approaches. Our approach significantly narrows the efficiency gap between diffusion-based and discriminative models. Finally, we challenge common evaluation protocols by analyzing performance under varying input sparsity levels. Page: https://dtu-pas.github.io/marigold-ssd/
• Abstract（参考訳）: 本稿では,拡散法に典型的に関連するコストのかかるテスト時間最適化を排除しつつ,強い拡散先を利用する単一ステップの遅延拡散深度補完フレームワークであるMarigold-SSDを紹介する。 計算負荷を推論から微調整にシフトさせることで,実世界の遅延制約下での3次元認識の効率化と堅牢化を実現している。 Marigold-SSDは、トレーニングコストがわずか4.5GPU日で大幅に高速な推論を実現している。 提案手法を4つの屋内および2つの屋外ベンチマークで評価し,既存の深度補完手法と比較して強いクロスドメイン一般化とゼロショット性能を示す。 本手法は拡散モデルと判別モデルとの効率ギャップを著しく狭める。 最後に,入力間隔の異なる条件下での性能を解析することにより,共通評価プロトコルに挑戦する。 Page: https://dtu-pas.github.io/marigold-ssd/

関連論文リスト

• Efficient Test-Time Optimization for Depth Completion via Low-Rank Decoder Adaptation [35.24180364395977]
  我々は,デコーダのみを適応させることが,効率的なテスト時間最適化に十分であることを示す。 本稿では,この低次元部分空間のみをスパース深度監視を用いて更新する軽量なテスト時間適応手法を提案する。
  論文  参考訳（メタデータ） (2026-03-02T11:45:19Z)
• Coordinate Descent for Network Linearization [16.880121048430752]
  ReLUアクティベーションは、ResNetネットワークに基づくPrivate Inferenceの主要なボトルネックである。 現在の最先端手法のほとんどは、ネットワーク精度とReLU予算を同時に最適化するスムーズな近似に基づいている。 我々は、最適化フレームワークとしてCoordinate Descentを活用することで、離散ドメインで直接動作する別のアプローチを取ります。
  論文  参考訳（メタデータ） (2025-11-14T14:03:58Z)
• DiP-GO: A Diffusion Pruner via Few-step Gradient Optimization [22.546989373687655]
  本稿では,よりインテリジェントで微分可能なプルーナーを用いて,効率的な拡散モデルを導出する新しいプルーニング法を提案する。 提案手法はSD-1.5の4.4倍の高速化を実現し,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T12:18:24Z)
• Theoretically Achieving Continuous Representation of Oriented Bounding Boxes [64.15627958879053]
  本論文は,オブジェクト指向境界ボックス表現における不連続性を完全に解決しようとする試みである。 本研究では,既存の検出器に容易に統合可能なCOBB(Continuous OBB)という新しい表現法を提案する。 OOD評価のためのオープンソースのディープラーニングフレームワークJittorの検出ツールボックスJDetをベースとした,モジュール化されたベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-29T09:27:40Z)
• Scalable Optimal Margin Distribution Machine [50.281535710689795]
  ODM(Optimal margin Distribution Machine)は、新しいマージン理論に根ざした新しい統計学習フレームワークである。 本稿では,従来のODMトレーニング手法に比べて10倍近い高速化を実現するスケーラブルなODMを提案する。
  論文  参考訳（メタデータ） (2023-05-08T16:34:04Z)
• Distributed stochastic optimization with large delays [59.95552973784946]
  大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。 DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
  論文  参考訳（メタデータ） (2021-07-06T21:59:49Z)

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。