論文の概要: Mapping License Plate Recoverability Under Extreme Viewing Angles for Oppor-tunistic Urban Sensing

• arxiv url: http://arxiv.org/abs/2604.23814v1
• Date: Sun, 26 Apr 2026 17:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.56846
• Title: Mapping License Plate Recoverability Under Extreme Viewing Angles for Oppor-tunistic Urban Sensing
• Title（参考訳）: Oppor-tunistic Urban Sensing における極端視角下のプレート復元性
• Authors: Igor Adamenko, Orpaz Ben Aharon, Yehudit Aperstein, Alexander Apartsin,
• Abstract要約: 都市環境にはATM、ボディウーン、CCTV、ダッシュボードカメラなど、特定の目的のために作られた多くのイメージングセンサーが含まれている。 AIベースの復元の最近の進歩は、過度に劣化した画像からでも、使い勝手の良い情報を復元することができる。 本稿では,この境界値の定量化のためのタスク非依存手法であるリカバリ可能性マップを紹介する。
• 参考スコア（独自算出の注目度）: 40.12543056558646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban environments contain many imaging sensors built for specific purposes, including ATM, body-worn, CCTV, and dashboard cameras. Under the opportunistic sensing paradigm, these sensors can be repurposed for secondary inference tasks such as license plate recognition. Yet objects of interest in such imagery are often noisy, low-resolution, and captured from extreme viewpoints. Recent advances in AI-based restoration can recover use-ful information even from severely degraded images. A central challenge is determining which distortion parame-ters allow reliable recovery and which lead to inference failure. This paper introduces recoverability maps, a task-agnostic method for quantifying this boundary. The method combines a dense synthetic sweep of degrada-tion parameters with two summary measures: boundary area-under-curve, which estimates the recoverable frac-tion of the parameter space, and a reliability score, which captures the frequency and severity of failures within that region. We demonstrate the method on license plate recognition from highly angled views under realistic camera artifacts. Several restoration architectures are trained and evaluated, including U-Net, Restormer, Pix2Pix, and SR3 diffusion. The best model recovers about 93% of the parameter space. Similar results across models sug-gest that sensing geometry, rather than architecture, sets the limit of recovery.
• Abstract（参考訳）: 都市環境にはATM、ボディウーン、CCTV、ダッシュボードカメラなど、特定の目的のために作られた多くのイメージングセンサーが含まれている。 機会論的センシングパラダイムの下では、これらのセンサは、ライセンスプレート認識などの二次推論タスクに再利用することができる。 しかし、そのような画像に対する関心の対象は、しばしば騒々しく、低解像度で、極端な視点から捉えられる。 AIベースの復元の最近の進歩は、過度に劣化した画像からでも、使い勝手の良い情報を復元することができる。 中心的な課題は、どの歪みパラメタが信頼できるリカバリを可能にし、どれが推論失敗につながるかを決定することである。 本稿では,この境界値の定量化のためのタスク非依存手法であるリカバリ可能性マップを紹介する。 パラメータ空間の回復可能なフラクチャーを推定するバウンダリ領域アンダーカーブと、その領域内の障害の頻度と深刻度をキャプチャする信頼性スコアの2つのサマリー尺度と、デグラダオンパラメータの密集した合成スイープを組み合わせる。 本研究では,現実的なカメラアーティファクト下での高角度からのナンバープレート認識手法を実証する。 U-Net、Restormer、Pix2Pix、SR3拡散など、いくつかの復元アーキテクチャがトレーニングされ、評価されている。 最良のモデルはパラメータ空間の約93%を回復する。 モデル間の同様の結果は、アーキテクチャよりもむしろ幾何を感知することで、回復の限界が設定される。

関連論文リスト

• BRUM: Robust 3D Vehicle Reconstruction from 360 Sparse Images [21.811586185200706]
  本稿では,スパースビュー入力から車両を再構築する際の課題について述べる。 我々は、新しいビューを合成するために、深度マップとロバストなポーズ推定アーキテクチャを活用する。 本稿では,合成と現実の両方の公共交通機関を特徴とする新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2025-07-16T10:04:35Z)
• SiLVR: Scalable Lidar-Visual Radiance Field Reconstruction with Uncertainty Quantification [0.6445605125467574]
  本稿では,ライダーと視覚データを融合したNeRFを用いた大規模再構成システムを提案する。 我々のシステムはライダーを組み込むために最先端のNeRF表現を採用する。 ライダーデータを追加すると、深さと表面の正規値に強い幾何学的制約が加わる。
  論文  参考訳（メタデータ） (2025-02-04T19:00:49Z)
• FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
  FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。 当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。 包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:53Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)

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。