論文の概要: Neuromorphic Monocular Depth Estimation with Uncertainty Modeling

• arxiv url: http://arxiv.org/abs/2605.10675v1
• Date: Mon, 11 May 2026 14:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.915291
• Title: Neuromorphic Monocular Depth Estimation with Uncertainty Modeling
• Title（参考訳）: 不確実性モデリングによる神経型単眼深度推定
• Authors: Viktor Bergkvist, Felix Rydell, Per-Erik Forssén, David Gustafsson, Johan Rideg,
• Abstract要約: イベントカメラは、従来のフレームベースのセンサーよりも明確な利点がある。 本稿では,ディープニューラルネットワークを用いて単眼イベントから画素ごとの深度を予測する。
• 参考スコア（独自算出の注目度）: 5.456468248611011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event cameras offer distinct advantages over conventional frame-based sensors, including microsecond-level temporal resolution, high dynamic range, and low bandwidth. In this paper, we predict per-pixel depth distributions from monocular event streams using deep neural networks. We estimate uncertainty using Gaussian, log-normal, and evidential learning frameworks. We compare six event representations: spatio-temporal voxel grids with 1, 5, 10, and 20 temporal bins, the Compact Spatio-Temporal Representation (CSTR), and Time-Ordered Recent Event (TORE) volumes. Our U-Net-based models are trained on synthetic data and then fine-tuned on real sequences. We evaluate performance using absolute relative error, root mean squared error, and the area under the sparsification error. Quantitative results show that the representations perform similarly, while 10 bin log-normal and 5 bin evidential learning perform best across metrics. Our experiments demonstrate that uncertainty estimation can be successfully integrated into event-based monocular depth estimation, and be used to indicate pixels with reliable depth.
• Abstract（参考訳）: イベントカメラは、マイクロ秒レベルの時間分解能、高ダイナミックレンジ、低帯域幅を含む、従来のフレームベースのセンサよりも明確な利点を提供する。 本稿では,ディープニューラルネットワークを用いた単眼イベントストリームからの画素ごとの深度分布の予測を行う。 ガウス的・対数正規・顕在的な学習フレームワークを用いて不確実性を推定する。 本研究では,時空間ボクセルグリッドを1,5,10,20の時空間ビン,コンパクト時空間表現(CSTR),時間順序最近のイベント(TORE)の6つのイベント表現を比較した。 我々のU-Netベースのモデルは、合成データに基づいて訓練され、その後、実際のシーケンスで微調整される。 本研究では,絶対相対誤差,ルート平均二乗誤差,スペーシフィケーション誤差の領域を用いた性能評価を行った。 定量的な結果から,10ビンの対数正規化と5ビンの顕在的学習が両指標間で最良であることがわかった。 実験により,不確実性推定をイベントベース単分子深度推定にうまく組み込むことができ,信頼度の高い画素を示すことができることを示した。

関連論文リスト

• A Novel Approach for Estimating Largest Lyapunov Exponents in One-Dimensional Chaotic Time Series Using Machine Learning [0.0]
  機械学習を用いて1次元カオス時系列から最大のリアプノフ指数(LLE)を推定するためのデータ駆動手法を提案する。 予測器はサンプル外マルチ水平予測を生成するように訓練され、LLEは地平線を横切る幾何平均予測誤差(GMAE)の指数的成長から推定される。 我々は,4つの標準1次元地図-ロジスティック,正弦,立方体,チェビシェフが達成するR2pos > 0.99のアプローチを,M = 450と短い列の基準LLE曲線に対して検証した。
  論文  参考訳（メタデータ） (2025-07-07T10:53:02Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• Revisiting Sparse Convolutional Model for Visual Recognition [40.726494290922204]
  本稿では,画像分類のためのスパース畳み込みモデルについて再検討する。 CIFAR-10, CIFAR-100, ImageNetデータセット上でも同様に強力な実験性能を示した。
  論文  参考訳（メタデータ） (2022-10-24T04:29:21Z)
• Distributed Learning and its Application for Time-Series Prediction [0.0]
  極度の出来事は、規模とポテンシャルが人、インフラ、環境に大きなダメージを与える出来事である。 新型コロナウイルスのパンデミックに悩まされている現在の世界の健康環境の極端な性質に触発され、私たちは極端な出来事をよりよく理解し、モデル化したいと思っています。
  論文  参考訳（メタデータ） (2021-06-06T18:57:30Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。