論文の概要: Focusable Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2605.11756v1
• Date: Tue, 12 May 2026 08:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.714371
• Title: Focusable Monocular Depth Estimation
• Title（参考訳）: フォーカス可能な単分子深さ推定
• Authors: Yuxin Du, Tao Lin, Zile Zhong, Runting Li, Xiyao Chen, Jiting Liu, Chenglin Liu, Ying-Cong Chen, Yuqian Fu, Bo Zhao,
• Abstract要約: FocusDepthは、プロンプト条件付き単分子相対深度推定フレームワークである。 深度モデリングは、ボックス/テキストプロンプトを通じて対象領域にフォーカスするようにガイドする。 MSSAの空間アライメントは重要な設計要素であり、急速幾何学対応の破壊により、AbsRelは最大で13.8%増加する。
• 参考スコア（独自算出の注目度）: 49.71122535319022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular depth foundation models generalize well across scenes, yet they are typically optimized with uniform pixel-wise objectives that do not distinguish user-specified or task-relevant target regions from the surrounding context. We therefore introduce Focusable Monocular Depth Estimation (FDE), a region-aware depth estimation task in which, given a specified target region, the model is required to prioritize foreground depth accuracy, preserve sharp boundary transitions, and maintain coherent global scene geometry. To prioritize task-critical region modeling, we propose FocusDepth, a prompt-conditioned monocular relative depth estimation framework that guides depth modeling to focus on target regions via box/text prompts. The core Multi-Scale Spatial-Aligned Fusion (MSSA) in FocusDepth spatially aligns multi-scale features from Segment Anything Model 3 to the Depth Anything family and injects them through scale-specific, gated conditional fusion. This enables dense prompt cue injection without disrupting geometric representations, thereby endowing the depth estimation model with focused perception capability. To study FDE, we establish FDE-Bench, a target-centric monocular relative depth benchmark built from image-target-depth triplets across five datasets, containing 252.9K/72.5K train/val triplets and 972 categories spanning real-world and embodied simulation environments. On FDE-Bench, FocusDepth consistently improves over globally fine-tuned DA2/DA3 baselines under both box and text prompts, with the largest gains appearing in target boundary and foreground regions while preserving global scene geometry. Ablations show that MSSA's spatial alignment is the key design factor, as disrupting prompt-geometry correspondence increases AbsRel by up to 13.8%.
• Abstract（参考訳）: 単眼深度基礎モデルはシーン全体にわたってよく一般化されるが、通常は、ユーザ指定やタスク関連ターゲット領域を周囲のコンテキストと区別しない、均一な画素単位の目的に最適化されている。 そこで我々はFDE(Focusable Monocular Depth Estimation)という,特定の対象領域が与えられた場合,前景の深度精度を優先し,鮮明な境界遷移を保ち,一貫したグローバルシーン形状を維持するための領域認識深度推定タスクを導入する。 タスククリティカルな領域モデリングを優先するために、ボックス/テキストプロンプトを介して、深度モデリングを対象領域に集中させるプロンプト条件付き単分子相対深度推定フレームワークであるFocusDepthを提案する。 FocusDepthのMulti-Scale Space-Aligned Fusion (MSSA) は、Segment Anything Model 3からDepth Anything familyに空間的特徴を整列させ、それらをスケール固有のゲート型条件付き核融合によって注入する。 これにより、幾何学的表現を乱すことなく、密集した急激なキュー注入が可能となり、これにより、集中した知覚能力を持つ深さ推定モデルが実現される。 FDEを研究するために、FDE-Benchという目標中心の単眼相対深度ベンチマークを5つのデータセットで構築し、252.9K/72.5Kのトレイン/ヴァルトリップレットと、実世界と実環境にまたがる972のカテゴリを含む。 FDE-Benchでは、FocusDepthは、ボックスとテキストプロンプトの両方の下で、世界規模で微調整されたDA2/DA3ベースラインを継続的に改善し、グローバルなシーン幾何学を保ちながら、ターゲット境界とフォアグラウンド領域に最大のゲインが現れる。 アブレーションにより、MSSAの空間アライメントが重要な設計要素であることが示され、即時幾何学対応の破壊により、AbsRelは最大で13.8%増加する。

関連論文リスト

• MT-Depth: Multi-task Instance feature analysis for the Depth Completion [0.0]
  本稿では,2値のインスタンスマスクを空間的先行として明示的に統合し,深度予測を洗練させる,インスタンス対応深度補完フレームワークを提案する。 我々のモデルは,凍結したYOLO V11インスタンスセグメンテーションブランチ,U-Netベースの深度補完バックボーン,クロスアテンション融合モジュール,アテンション誘導予測ヘッドの4つの主要コンポーネントを組み合わせている。 提案手法をVirtual KITTI 2データセット上で検証した結果,U-Netのみのベースラインと,それ以前のセマンティック誘導方式と比較して,ルート平均正方形誤差(RMSE)が低いことがわかった。
  論文  参考訳（メタデータ） (2025-12-04T12:17:33Z)
• Occlusion-Aware 3D Hand-Object Pose Estimation with Masked AutoEncoders [29.274913619777088]
  本稿では,HOMAEと呼ばれるマスク付きオートエンコーダを用いたオクルージョンを意識したポーズ推定手法を提案する。 我々は,デコーダから抽出したマルチスケール特徴を統合し,符号付き距離場(SDF)を予測する。 DexYCBとHO3Dv2ベンチマークに挑戦する実験は、HOMAEが手動ポーズ推定において最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-06-12T15:30:47Z)
• Depth Estimation Based on 3D Gaussian Splatting Siamese Defocus [14.354405484663285]
  本稿では,3次元幾何学における深さ推定のための3次元ガウススプラッティングとシームズネットワークに基づく自己教師型フレームワークを提案する。 提案したフレームワークは、人工的に合成されたデータセットと実際のぼやけたデータセットの両方で検証されている。
  論文  参考訳（メタデータ） (2024-09-18T21:36:37Z)
• ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
  本研究では,新しい単分子深度推定法であるScaleDepthを提案する。 提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。 本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
  論文  参考訳（メタデータ） (2024-07-11T05:11:56Z)
• Fully Self-Supervised Depth Estimation from Defocus Clue [79.63579768496159]
  スパース焦点スタックから深度を純粋に推定する自己教師型フレームワークを提案する。 筆者らのフレームワークは,深度とAIF画像の接地構造の必要性を回避し,より優れた予測を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-19T19:59:48Z)

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。