論文の概要: SCARED-C: Corrected Camera Poses for Endoscopic Depth Estimation

• arxiv url: http://arxiv.org/abs/2605.16628v1
• Date: Fri, 15 May 2026 20:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.810606
• Title: SCARED-C: Corrected Camera Poses for Endoscopic Depth Estimation
• Title（参考訳）: SCARED-C:内視鏡的深度推定のための補正カメラ
• Authors: John J. Han, Adam Schmidt, Max Allan, Jie Ying Wu, Omid Mohareri,
• Abstract要約: 信頼性の高いRGB-Dペアの数を35から17,135に拡張したSCAREDデータセットの修正版を提案する。 我々のパイプラインは、すべてのフレームに対してカメラのポーズを再推定するために、COLMAPを適用し、続いて、地上の深度マップを用いて、結果の再構成をメートル法空間に整列するスケール回復ステップを施した。
• 参考スコア（独自算出の注目度）: 4.585763493209881
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The SCARED dataset is a widely used benchmark for endoscopic depth estimation, offering ground-truth 3D reconstructions captured with a structured light sensor. However, the depth maps for non-keyframe images rely on robot kinematics that introduce substantial pose errors, limiting the reliably labeled portion of the dataset to 35 keyframes. We present SCARED-C, a corrected version of the SCARED dataset that expands the number of reliable RGB-D pairs from 35 to 17,135. Our pipeline applies COLMAP, a Structure-from-Motion system, to re-estimate camera poses for all frames, followed by a scale recovery step that aligns the resulting reconstructions to metric space using the ground-truth keyframe depth maps. We validate the corrected poses through (1) stereo disparity evaluation and (2) monocular depth estimation experiments. The corrected dataset and code are publicly released to the community.
• Abstract（参考訳）: SCAREDデータセットは、広範に使われている内視鏡的深度推定のベンチマークであり、構造化された光センサーで捉えた地上3D再構成を提供する。 しかし、キーフレームでない画像の深さマップは、相当なポーズエラーをもたらすロボットキネマティクスに依存し、データセットの確実にラベル付けされた部分を35のキーフレームに制限する。 SCAREDデータセットの修正版であるSCARED-Cは、信頼性の高いRGB-Dペアの数を35から17,135に拡張する。 我々のパイプラインは、すべてのフレームに対してカメラのポーズを再推定する構造制御システムであるCOLMAPを適用し、続いて、地上の鍵フレーム深度マップを用いて、結果の再構成をメートル法空間に整列させるスケール回復ステップを施した。 本研究では,(1)立体差分評価と(2)単分子深度推定実験を通じて補正されたポーズを検証する。 修正されたデータセットとコードはコミュニティに公開されている。

関連論文リスト

• UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations [30.56092814783138]
  DF-Calibは, キャリブレーションをモード内深さ流量推定問題として再構成するLiDARカメラキャリブレーション法である。 DF-Calibは、カメラ画像から深度マップを推定し、疎LiDAR投影深度マップを完成させる。 本稿では,有効画素を優先する信頼性マップを導入し,深度フロー推定の精度を高めるために,知覚的に重み付けされたスパースフロー損失を提案する。
  論文  参考訳（メタデータ） (2025-04-02T07:09:44Z)
• A Simple yet Effective Test-Time Adaptation for Zero-Shot Monocular Metric Depth Estimation [46.037640130193566]
  センサや低分解能LiDARなどの技術によって提供される3Dポイントや、IMUが提示したポーズによる構造移動を用いて、奥行きの予測を再現する新しい手法を提案する。 実験では, ゼロショット単角距離推定法, 微調整法と比較しての競合性, 深度補修法よりも頑健さが向上した。
  論文  参考訳（メタデータ） (2024-12-18T17:50:15Z)
• 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)
• W-HMR: Monocular Human Mesh Recovery in World Space with Weak-Supervised Calibration [57.37135310143126]
  モノクロ画像からの3次元運動回復のための従来の手法は、カメラ座標に依存するため、しばしば不足する。 W-HMRは、身体の歪み情報に基づいて「適切な」焦点長を予測する弱教師付き校正法である。 また,世界空間における可視的再構築のために,身体の向きを補正する OrientCorrect モジュールを提案する。
  論文  参考訳（メタデータ） (2023-11-29T09:02:07Z)
• The Drunkard's Odometry: Estimating Camera Motion in Deforming Scenes [79.00228778543553]
  このデータセットは、3Dシーンの中で地上の真実を語る最初の大規模なカメラ軌道である。 リアルな3Dビルディングのシミュレーションでは、膨大な量のデータと地上の真実のラベルが得られます。 本稿では,光学的フロー推定を剛体カメラ運動に分解するDrunkard's Odometryと呼ばれる,変形可能な新しいオドメトリー法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:09:31Z)
• BS3D: Building-scale 3D Reconstruction from RGB-D Images [25.604775584883413]
  本稿では,消費者向け深度カメラを用いた大規模3次元再構築のための使い易いフレームワークを提案する。 複雑で高価な買収設定とは異なり、当社のシステムはクラウドソーシングを可能にする。
  論文  参考訳（メタデータ） (2023-01-03T11:46:14Z)
• Shakes on a Plane: Unsupervised Depth Estimation from Unstabilized Photography [54.36608424943729]
  2秒で取得した12メガピクセルのRAWフレームの「長バースト」では,自然手震動のみからの視差情報で高品質のシーン深度を回復できることが示されている。 我々は、長時間バーストデータにニューラルRGB-D表現を適合させるテスト時間最適化手法を考案し、シーン深度とカメラモーションを同時に推定する。
  論文  参考訳（メタデータ） (2022-12-22T18:54:34Z)
• Towards Accurate Reconstruction of 3D Scene Shape from A Single Monocular Image [91.71077190961688]
  まず、未知のスケールまで深さを予測し、単一の単眼画像からシフトする2段階のフレームワークを提案する。 次に、3Dポイントの雲のデータを利用して、奥行きの変化とカメラの焦点距離を予測し、3Dシーンの形状を復元します。 我々は9つの未知のデータセットで深度モデルを検証し、ゼロショット評価で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-28T16:20:14Z)
• Learning to Recover 3D Scene Shape from a Single Image [98.20106822614392]
  まず,未知のスケールまで深さを予測し,単一の単眼画像からシフトする2段階フレームワークを提案する。 そして、3dポイントクラウドエンコーダを使って深度シフトと焦点距離を予測し、リアルな3dシーンの形状を復元します。
  論文  参考訳（メタデータ） (2020-12-17T02:35:13Z)

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。