論文の概要: WideDepth: Millimeter-Accurate Benchmark for Fisheye Depth Estimation

• arxiv url: http://arxiv.org/abs/2605.24074v1
• Date: Fri, 22 May 2026 15:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.578861
• Title: WideDepth: Millimeter-Accurate Benchmark for Fisheye Depth Estimation
• Title（参考訳）: 魚眼深度推定のためのミリメートル精度ベンチマーク
• Authors: Ilia Indyk, Ignat Penshin, Ivan Sosin, Maxim Monastyrny, Aleksei Valenkov, Ilya Makarov,
• Abstract要約: 魚眼深度推定のための最初の屋内データセットであるWideDepthを紹介する。 我々のデータセットは、ミリレベルの地底真理深度と不均一度でラベル付けされた5Kの高分解能ステレオペアを含む101のシーンを含む。 魚眼画像にピンホール学習ステレオモデルを適用する手法を提案し,新しいステレオ魚眼画像生成パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 3.449965668627019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fisheye cameras are increasingly adopted in robotics for near-field manipulation, navigation, and immersive perception, yet indoor depth benchmarks with accurate ground truth are still missing. To address this, we introduce WideDepth - the first indoor dataset for fisheye depth estimation, featuring 101 scenes containing 5K high-resolution stereo pairs labeled with millimeter-level ground truth depth and disparity. Our dataset also includes paired pinhole and fisheye samples across varying fields of view and baselines in both horizontal and vertical stereo setups. We further propose a method to adapt pinhole-trained stereo models to fisheye images and introduce a novel stereo fisheye image generation pipeline based on high-resolution LiDAR scans. Leveraging these methods, we thoroughly evaluate state-of-the-art monocular depth, stereo matching, and depth completion models on our benchmark. Additionally, we provide 18K LiDAR-derived sparse depth training samples, achieving up to a 62% performance boost on fisheye data when fine-tuning pinhole-based stereo models. In summary, the high precision and versatility of our benchmark set a strong foundation for advancing research in fisheye depth estimation and robotics perception. Project page: https://ilyaind.github.io/WideDepth
• Abstract（参考訳）: 魚眼カメラは、近距離フィールド操作、ナビゲーション、没入感のロボット工学にますます採用されているが、正確な地上の真理を持つ屋内深度ベンチマークはいまだに欠落している。 魚眼深度推定のための最初の屋内データセットであるワイドディープス(WideDepth)を紹介する。 私たちのデータセットには、水平および垂直両方のステレオ設定において、さまざまな視野とベースラインにまたがるピンホールと魚眼のサンプルが含まれています。 さらに,魚眼画像にピンホール学習ステレオモデルを適用する手法を提案し,高分解能LiDARスキャンに基づく新しいステレオ魚眼画像生成パイプラインを提案する。 これらの手法を応用し、我々のベンチマークで最先端の単分子深度、ステレオマッチング、深度補完モデルについて徹底的に評価する。 さらに18K LiDAR由来のスパース深度トレーニングサンプルも提供し, ピンホールステレオモデルにおける魚眼データに対する最大62%の性能向上を実現した。 まとめると、我々のベンチマークの精度と汎用性は、魚眼深度推定とロボット知覚の研究を進めるための強力な基盤となる。 プロジェクトページ:https://ilyaind.github.io/WideDepth

関連論文リスト

• Exploring Surround-View Fisheye Camera 3D Object Detection [44.09164098759971]
  本研究では,サラウンドビュー魚眼カメラシステムによるエンドツーエンド3Dオブジェクト検出の実現の可能性について検討する。 魚眼画像のユニークな形状を主流検出フレームワークに組み込む2つの手法を開発した。 魚眼3DOD実験の結果,我々の魚眼互換モデルでは,基準法よりも最大6.2%精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2025-11-24T02:28:56Z)
• Boosting Omnidirectional Stereo Matching with a Pre-trained Depth Foundation Model [70.67610495024459]
  カメラベースの設定は、立体深度推定を用いて高解像度の高解像度深度マップを生成することで、コスト効率のよい選択肢を提供する。 既存の全方位ステレオマッチング手法は、様々な環境において限られた深度精度しか達成できない。 DFI-OmniStereoは, 大規模事前学習基礎モデルを用いて, 相対的な単眼深度推定を行う新しい全方位ステレオマッチング法である。
  論文  参考訳（メタデータ） (2025-03-30T16:24:22Z)
• Helvipad: A Real-World Dataset for Omnidirectional Stereo Depth Estimation [83.841877607646]
  全方位ステレオ深度推定のための実世界のデータセットであるHelvipadを紹介する。 このデータセットは、3Dポイント雲を等方形画像に投影することで、正確な深度と不均質のラベルを含む。 標準画像と全方位画像のステレオ深度推定モデルをベンチマークする。
  論文  参考訳（メタデータ） (2024-11-27T13:34:41Z)
• FisheyeDepth: A Real Scale Self-Supervised Depth Estimation Model for Fisheye Camera [8.502741852406904]
  魚眼カメラに適した自己監督深度推定モデルである魚眼深度について述べる。 魚眼カメラモデルを訓練中の投射と再投射の段階に組み込んで画像歪みの処理を行う。 また、連続するフレーム間の幾何学的投影に実際のポーズ情報を組み込んで、従来のポーズネットワークで推定されたポーズを置き換える。
  論文  参考訳（メタデータ） (2024-09-23T14:31:42Z)
• SDGE: Stereo Guided Depth Estimation for 360$^\circ$ Camera Sets [65.64958606221069]
  マルチカメラシステムは、360ドル周の知覚を達成するために、しばしば自律走行に使用される。 360ドル(約3万3000円)のカメラセットは、しばしば制限または低品質のオーバーラップ領域を持ち、画像全体に対してマルチビューステレオメソッドを実現する。 重なりの重なりに多視点ステレオ結果を明示的に利用することにより、全画像の深さ推定を強化するステレオガイド深度推定法(SGDE)を提案する。
  論文  参考訳（メタデータ） (2024-02-19T02:41:37Z)

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。