論文の概要: UfM*: Uncertainty from Motion* for DNN Depth Estimation Using Gaussians

• arxiv url: http://arxiv.org/abs/2605.23098v1
• Date: Thu, 21 May 2026 23:08:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.131681
• Title: UfM*: Uncertainty from Motion* for DNN Depth Estimation Using Gaussians
• Title（参考訳）: UfM*: ガウスを用いたDNN深度推定における動きの不確かさ*
• Authors: Soumya Sudhakar, Sertac Karaman, Vivienne Sze,
• Abstract要約: Uncertainty from Motion* (UfM*) は、マルチビューの不一致を効率的に測定する不確実性推定アルゴリズムである。 UfM*は224x224画像あたり63mJしか消費せず、Arm Cortex-A76 CPU上で30FPSでリアルタイムに動作している。
• 参考スコア（独自算出の注目度）: 18.18811563064948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable uncertainty estimation is critical for deploying monocular depth deep neural networks (DNNs) in safety-critical robotic systems. Conventional uncertainty methods such as ensembles and sampling-based approaches require multiple inferences per image, incurring substantial compute and memory overhead. Moreover, uncertainty predicted from a single image misses out on measuring disagreement between predictions across views of the same region. We propose Uncertainty from Motion* (UfM*), an uncertainty estimation algorithm that measures multiview disagreement efficiently by comparing previous and current views using a compact Gaussian mixture, requiring only a single DNN inference per image. Using Gaussians to compute multiview disagreement is not only more compute- and memory-efficient than a prior approach using a point cloud, but also improves uncertainty by measuring disagreement across regions of 3D space. UfM* paired with aleatoric uncertainty improves expected calibration error by 24-28% compared to an ensemble, while requiring only 3% of the energy and 0.02% of the memory on 100 out-of-distribution ScanNet sequences. We demonstrate UfM* consumes only 63 mJ per 224x224 image while running real-time at 30 FPS on an Arm Cortex-A76 CPU onboard a miniature energy-constrained robot, highlighting that measuring multiview disagreement using Gaussians enables efficient uncertainty for resource-constrained robotic systems.
• Abstract（参考訳）: 信頼性の高い不確実性推定は、安全クリティカルなロボットシステムに単眼深度ニューラルネットワーク(DNN)をデプロイするために重要である。 アンサンブルやサンプリングベースアプローチのような従来の不確実性手法では、画像毎に複数の推論が必要であり、かなりの計算とメモリオーバーヘッドが発生する。 さらに、1つの画像から予測される不確実性は、同じ領域のビューをまたいだ予測間の不一致を測定することに失敗する。 画像毎に1つのDNN推論しか必要とせず、コンパクトなガウス混合を用いて従来のビューと現在のビューを比較して、マルチビューの不一致を効率的に測定する不確実性推定アルゴリズムであるMotion*(UfM*)を提案する。 ガウスアンを用いてマルチビューの不一致を計算することは、ポイントクラウドを用いた以前のアプローチよりも計算効率とメモリ効率が良いだけでなく、3次元空間の領域間での不一致を測定することで不一致を改善する。 UfM*とアレタリック不確かさを組み合わせることで、アンサンブルに比べて24-28%のキャリブレーション誤差が向上する一方、100のアウト・オブ・ディストリビューションScanNetシーケンスでは、メモリの3%と0.02%しか必要としない。 UfM*は224x224画像あたり63mJしか消費せず、小型エネルギー制約ロボット上でArm Cortex-A76 CPU上で30FPSでリアルタイムに動作している。

関連論文リスト

• iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
  iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。 NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2025-11-18T05:22:22Z)
• Uncertainty Quantification Framework for Aerial and UAV Photogrammetry through Error Propagation [5.146618378243241]
  点雲の点ごとの精度認証を提供するためには、光グラム法プロセスの不確かさの定量化が不可欠である。 本稿では,この2段階のフォトグラム法における誤差共分散行列を点当たりに関連付けることにより,不確実性定量化の枠組みを提案する。 既存の手法と比較して,本手法ではMVSプロセスから直接抽出した自己完結型,信頼性の高い3次元点を用いる。
  論文  参考訳（メタデータ） (2025-07-17T18:50:01Z)
• Match and Locate: low-frequency monocular odometry based on deep feature matching [0.65268245109828]
  本稿では,1台のカメラしか必要としないロボットオドメトリーの新たなアプローチを提案する。 アプローチは、深い特徴マッチングモデルを用いて、ビデオストリームの連続フレーム間の画像特徴のマッチングに基づいている。 本研究では,AISG-SLAビジュアルローカライゼーションチャレンジにおける手法の性能評価を行い,計算効率が高く,実装が容易であるにもかかわらず,競合する結果が得られた。
  論文  参考訳（メタデータ） (2023-11-16T17:32:58Z)
• Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation for Pixel-wise Regression [1.4528189330418977]
  機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。 画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
  論文  参考訳（メタデータ） (2023-08-14T22:08:28Z)
• HeteroEdge: Addressing Asymmetry in Heterogeneous Collaborative Autonomous Systems [1.274065448486689]
  2台の無人地上車両(UGV)と2台のNVIDIA Jetsonデバイスからなるテストベッドの自己適応最適化フレームワークを提案する。 このフレームワークは、異種ノード上の複数のタスク(ストレージ、処理、計算、送信、推論)を同時に効率的に管理する。 入力された画像フレームの圧縮とマスキング、類似したフレームの識別、および最適化のための境界条件を得るためにプロファイリング装置を含む。
  論文  参考訳（メタデータ） (2023-05-05T02:43:16Z)
• BDIS: Bayesian Dense Inverse Searching Method for Real-Time Stereo Surgical Image Matching [2.990820994368054]
  本稿では,一般的なMISタスクに対して,CPUレベルの事前自由ステレオマッチングアルゴリズムを提案する。 手術画像用のシングルコアCPU (i5-9400) を用いて, 640*480の画像に対して平均17Hzを実現する。 MIS のベースライン ELAS よりも近いか高い精度で出力が小さいが、4-5倍高速である。
  論文  参考訳（メタデータ） (2022-05-06T10:50:49Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。