論文の概要: MLG-Stereo: ViT Based Stereo Matching with Multi-Stage Local-Global Enhancement

• arxiv url: http://arxiv.org/abs/2604.20393v1
• Date: Wed, 22 Apr 2026 09:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.074853
• Title: MLG-Stereo: ViT Based Stereo Matching with Multi-Stage Local-Global Enhancement
• Title（参考訳）: MLG-Stereo: マルチステージ局所グロバル拡張を用いたVTベースのステレオマッチング
• Authors: Haoyu Zhang, Jingyi Zhou, Peng Ye, Jiakang Yuan, Lin Zhang, Feng Xu, Tao Chen,
• Abstract要約: ViTベースのステレオマッチング法は、その顕著な頑丈さとゼロショット能力のために大きな進歩を遂げた。 詳細を予測し、任意の解像度の画像を処理できるViTベースの手法は、CNNベースの手法よりも依然として弱い。 我々は,エンコーダの段階を超えてグローバルなモデリングを拡張するパイプラインレベルの体系的設計である MLG-Stereo を提案する。
• 参考スコア（独自算出の注目度）: 26.707660992617633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of deep learning, ViT-based stereo matching methods have made significant progress due to their remarkable robustness and zero-shot ability. However, due to the limitations of ViTs in handling resolution sensitivity and their relative neglect of local information, the ability of ViT-based methods to predict details and handle arbitrary-resolution images is still weaker than that of CNN-based methods. To address these shortcomings, we propose MLG-Stereo, a systematic pipeline-level design that extends global modeling beyond the encoder stage. First, we propose a Multi-Granularity Feature Network to effectively balance global context and local geometric information, enabling comprehensive feature extraction from images of arbitrary resolution and bridging the gap between training and inference scales. Then, a Local-Global Cost Volume is constructed to capture both locally-correlated and global-aware matching information. Finally, a Local-Global Guided Recurrent Unit is introduced to iteratively optimize the disparity locally under the guidance of global information. Extensive experiments are conducted on multiple benchmark datasets, demonstrating that our MLG-Stereo exhibits highly competitive performance on the Middlebury and KITTI-2015 benchmarks compared to contemporaneous leading methods, and achieves outstanding results in the KITTI-2012 dataset.
• Abstract（参考訳）: ディープラーニングの発展に伴い、ViTベースのステレオマッチング手法は、その顕著な堅牢性とゼロショット能力により、大きな進歩を遂げた。 しかし、分解能感度の処理におけるViTの限界と局所情報の相対的無視のため、細部を予測し、任意の解像度画像を扱うViTベースの手法は、CNNベースの手法よりも依然として弱い。 これらの欠点に対処するために,エンコーダステージを超えてグローバルモデリングを拡張するパイプラインレベルの体系的設計である MLG-Stereo を提案する。 まず,グローバルコンテキストと局所幾何学情報を効果的にバランスさせ,任意の解像度の画像から包括的特徴抽出を可能にし,トレーニングと推論スケールのギャップを埋めるマルチグラニュラリティ特徴ネットワークを提案する。 次に、ローカル・グローバル・コスト・ボリュームを構築し、局所的関連情報とグローバル・アウェア・マッチング情報の両方をキャプチャする。 最後に,ローカル・グローバル・ガイド・リカレント・ユニットを導入し,グローバル・インフォメーションの指導の下で,局所的な差異を反復的に最適化する。 複数のベンチマークデータセットに対して大規模な実験を行い、我々のMLG-Stereoは、同時進行のリード手法と比較してミドルベリーとKITTI-2015ベンチマークで高い競争性能を示し、KITTI-2012データセットで優れた結果が得られることを示した。

関連論文リスト

• UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
  リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。 既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。 高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:59:16Z)
• Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
  Time Series Imputationは、時間データの欠落した値を復元することを目的としている。 既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。 我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:24:44Z)
• Global Regulation and Excitation via Attention Tuning for Stereo Matching [21.40608901253552]
  本稿では3つの注意モジュールを含むGREAT(Global Regulation and Excitation via Attention Tuning)フレームワークを提案する。 具体的には、空間的注意(SA)は空間的次元内のグローバルなコンテキストを捉え、マッチング注意(MA)はエピポーラ線に沿ってグローバルなコンテキストを抽出し、ボリューム注意(VA)はSAとMAと連携して、グローバルなコンテキストと幾何学的詳細に興奮したより堅牢なコストボリュームを構築する。 このフレームワークは、不適切な領域において優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-09-19T11:42:07Z)
• DSFormer: A Dual-Scale Cross-Learning Transformer for Visual Place Recognition [16.386674597850778]
  本稿では,TransformerベースのクロスラーニングモジュールであるDual-Scale-Former(DSFormer)と,革新的なブロッククラスタリング戦略を統合する新しいフレームワークを提案する。 提案手法は,ほとんどのベンチマーク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） (2025-07-24T14:29:30Z)
• MGDFIS: Multi-scale Global-detail Feature Integration Strategy for Small Object Detection [12.838872442435527]
  UAV画像の小さな物体検出は、探索・救助、交通監視、環境監視といった用途に不可欠である。 既存のマルチスケール融合法は、計算負荷を増し、詳細をぼかすのに役立つ。 本稿では,グローバルコンテキストと局所的な詳細を密結合して検出性能を向上させる統合融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-15T02:54:25Z)
• Global-Local Distillation Network-Based Audio-Visual Speaker Tracking with Incomplete Modalities [49.835556586263834]
  本稿では,ロバストな音声・視覚的話者追跡のためのグローバルローカル蒸留方式トラッカー(GLDTracker)を提案する。 GLDTrackerは教師による蒸留モデルによって駆動され、各モードから不完全情報の柔軟な融合を可能にする。 AV16.3データセットの実験結果は、提案されたGLDTrackerが既存の最先端オーディオ視覚トラッカーより優れていることを示している。
  論文  参考訳（メタデータ） (2024-08-26T19:09:21Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• RING++: Roto-translation Invariant Gram for Global Localization on a Sparse Scan Map [20.276334172402763]
  本稿では、位置認識のためのロト変換不変表現と、回転と翻訳の両方のグローバル収束を持つRing++を提案する。 理論的保証により、RING++はスパーススキャン付き軽量マップを使用して、大きな視点差に対処することができる。 これはスパーススキャンマップにおけるグローバルローカライゼーションのすべてのサブタスクに対処する初めての学習不要フレームワークである。
  論文  参考訳（メタデータ） (2022-10-12T07:49:24Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)

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。