論文の概要: Depth from Dual Differential Defocus and Stereo Consensus

• arxiv url: http://arxiv.org/abs/2606.02906v1
• Date: Mon, 01 Jun 2026 21:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.613061
• Title: Depth from Dual Differential Defocus and Stereo Consensus
• Title（参考訳）: デュアルディファレンシャルデフォーカスとステレオコンセンサスからの深さ
• Authors: Junjie Luo, Wei Xu, Dylan Chu, Emma Alexander, Qi Guo,
• Abstract要約: 本稿ではD3S Consensusについて紹介する。D3S ConsensusはDfDとステレオを統一した物理ベースの閉形式アルゴリズムである。 被写界深度(DoF)を超える広い作業範囲にわたって高精度な深度推定を実現する。 最大900 x 1800ピクセルの深度マップを生成し、1-cmの平均絶対誤差はスナップショット取得から0.3-1.64mを超える。
• 参考スコア（独自算出の注目度）: 11.224970458133491
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce D^3S Consensus, a physics-based, closed-form algorithm that unifies depth-from-defocus (DfD) and stereo to achieve highly accurate depth estimation throughout an extended working range beyond the depth-of-field (DoF) of cameras. Given a pair of dual-defocus stereo images, the method estimates an overdetermined set of depth using a novel DfD theory, Dual Differential Defocus (D^3), and (S)tereo in a coupled fashion. It then picks the most confident depth prediction from the set by enforcing consensus between these physically independent cues to reject unreliable estimates. Analysis shows that D^3S achieves a comparable working range under the same error tolerance with 10x smaller baseline than previous triangulation-based depth estimation systems. This enables compact passive binocular rangefinders with substantially smaller form factors than conventional stereo and DfD designs. We demonstrate the first D^3S prototype with only 4 mm baseline and 12 mm EFL. It generates up to 900 x 1800-pixel depth maps with 1-cm mean absolute error over 0.3-1.64 m from a snapshot acquisition. This has surpassed the reported accuracy of certain commercially available stereo cameras with much larger form factors.
• Abstract（参考訳）: D^3S Consensusは、DfDとステレオを一体化して、被写界深度(DoF)を超えて広い作業範囲にわたって高精度な深度推定を実現する物理ベースのクローズドフォームアルゴリズムである。 一対のデュアルデフォーカスステレオ画像から、新しいDfD理論、デュアルディファレンシャルデフォーカス(D^3)、(S)テレオを組み合わせて、過度に決定された深さのセットを推定する。 次に、これらの物理的に独立なキュー間のコンセンサスを強制して、信頼できない見積を拒否することで、セットから最も自信のある深さ予測を選択する。 解析の結果,D^3Sは従来の三角法に基づく深度推定システムよりも10倍小さいベースラインで,同じ誤差耐性下では同等な作業範囲を達成できることがわかった。 これにより、従来のステレオやDfDの設計よりもかなり小さな形状の受動型双眼レンジファインダーが実現される。 4mmのベースラインと12mmのEFLしか持たない最初のD^3Sプロトタイプを実証した。 最大900 x 1800ピクセルの深度マップを生成し、1-cmの平均絶対誤差はスナップショット取得から0.3-1.64mを超える。 これは、非常に大きなフォームファクターを持つ市販のステレオカメラの報告された精度を上回っている。

関連論文リスト

• Depth from Coupled Optical Differentiation [6.89869230944958]
  我々は,低計算受光3次元センシング機構である光の複合化による深度推定法を提案する。 我々は、結合した光の微分から深度に基づいて、最初の3次元センサを構築する。
  論文  参考訳（メタデータ） (2024-09-16T20:58:11Z)
• 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)
• Blur aware metric depth estimation with multi-focus plenoptic cameras [8.508198765617196]
  多焦点レンズカメラからの原画像のみを用いた新しい距離深度推定アルゴリズムを提案する。 提案手法は、焦点距離の異なる複数のマイクロレンズを用いるマルチフォーカス構成に特に適している。
  論文  参考訳（メタデータ） (2023-08-08T13:38:50Z)
• FS-Depth: Focal-and-Scale Depth Estimation from a Single Image in Unseen Indoor Scene [57.26600120397529]
  実際の(見えない)屋内シーンの単一の画像から絶対深度マップを予測するのには、長年不適切な問題だった。 本研究では,未確認屋内シーンの単一画像から絶対深度マップを正確に学習するための焦点・スケール深度推定モデルを開発した。
  論文  参考訳（メタデータ） (2023-07-27T04:49:36Z)
• Non-learning Stereo-aided Depth Completion under Mis-projection via Selective Stereo Matching [0.5067618621449753]
  一対のステレオ画像で導かれる光検出・測度センサ(LiDAR)を用いて捉えたスパース深度マップの非学習深度補完法を提案する。 提案手法は, 平均絶対誤差(MAE)を0.65倍に減らし, 従来よりも約2倍の精度で推定できることを示した。
  論文  参考訳（メタデータ） (2022-10-04T07:46:56Z)
• Monocular 3D Object Detection with Depth from Motion [74.29588921594853]
  我々は、正確な物体深度推定と検出にカメラエゴモーションを利用する。 我々のフレームワークはDfM(Depth from Motion)と呼ばれ、2D画像の特徴を3D空間に持ち上げて3Dオブジェクトを検出する。 我々のフレームワークは、KITTIベンチマークにおいて最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-26T15:48:46Z)
• Increased-Range Unsupervised Monocular Depth Estimation [8.105699831214608]
  そこで本研究では,小規模・広範囲のベースラインの利点を統合することを提案する。 3つの水平方向のビューを用いてネットワークをトレーニングすることにより、近距離と遠距離の両方で正確な深度予測が得られる。 我々の戦略は、単一の画像から複数のベースライン深さを推定できる。
  論文  参考訳（メタデータ） (2020-06-23T07:01:32Z)

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。