Fugu-MT 論文翻訳(概要): Leveraging Metric Depth for Relative Depth Prediction

論文の概要: Leveraging Metric Depth for Relative Depth Prediction

arxiv url: http://arxiv.org/abs/2606.10628v1
Date: Tue, 09 Jun 2026 09:29:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-10 15:40:58.421798
Title: Leveraging Metric Depth for Relative Depth Prediction
Title（参考訳）: 相対深度予測のためのレバレッジメトリック深さ
Abstract要約: サッカーのシナリオにおける相対的な深さの予測は、特に数千のトレーニングサンプルが利用可能である場合、難しい。この問題に対処するために,本手法では,大規模データセット上で事前訓練されたモデルのゼロショット能力を活用し,課題セットに対して2.68倍の10-3$のスコアを得る。
参考スコア（独自算出の注目度）: 43.28147873972128
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present our solution to the 2025 SoccerNet Monocular Depth Estimation Competition Challenge. Predicting the relative depth in football scenarios is challenging, especially with only thousands of training samples available. To address this issue, our method leverages the powerful zero-shot capabilities of models pretrained on large-scale datasets to learn metric depth for effective relative depth prediction, achieving a score of $2.68 \times 10^{-3}$ on the challenge set.
Abstract（参考訳）: 我々は,2025年のサッカーネット単眼深度推定コンテストに回答する。サッカーのシナリオにおける相対的な深さの予測は、特に数千のトレーニングサンプルが利用可能である場合、難しい。この問題に対処するために,本手法では,大規模データセット上で事前訓練されたモデルの強力なゼロショット機能を活用して,有効相対深度予測のための計量深度を学習し,課題セットに対して2.68 \times 10^{-3}$のスコアを得る。

関連論文リスト

Zero-shot Depth Completion via Test-time Alignment with Affine-invariant Depth Prior [15.802986215292309]
本研究では,アフィン不変深度拡散モデルとテスト時間アライメントからなるゼロショット深度補完法を提案する。提案手法では,アフィン不変深度を計量スケールのスパース測定と整合させ,テスト時に最適化ループを通した厳密な制約として適用する。
論文参考訳（メタデータ） (2025-02-10T10:38:33Z)
MetricGold: Leveraging Text-To-Image Latent Diffusion Models for Metric Depth Estimation [9.639797094021988]
MetricGoldは、生成拡散モデルの豊富な先行値を利用して、メートル法深さ推定を改善する新しいアプローチである。我々の実験は、多様なデータセットをまたいだ堅牢な一般化を実証し、よりシャープで高品質なメートル法深さ推定を導出する。
論文参考訳（メタデータ） (2024-11-16T20:59:01Z)
The Third Monocular Depth Estimation Challenge [134.16634233789776]
本稿では,モノクロ深度推定チャレンジ(MDEC)の第3版の結果について述べる。この課題は、自然と屋内の複雑なシーンを特徴とする、挑戦的なSynS-Patchesデータセットへのゼロショットの一般化に焦点を当てている。挑戦者は17.51%から23.72%の3D Fスコアのパフォーマンスを大幅に改善した。
論文参考訳（メタデータ） (2024-04-25T17:59:59Z)
Learning to Adapt CLIP for Few-Shot Monocular Depth Estimation [31.34615135846137]
単眼深度推定に視覚言語モデルを適用することを学習する,数発のショットベース手法を提案する。具体的には、異なるシーンに異なる深度ビンを割り当て、推論中にモデルによって選択できる。トレーニング用シーンあたりのイメージが1つしかないため、NYU V2とKITTIデータセットによる大規模な実験結果から、我々の手法が従来の最先端の手法を最大10.6%上回っていることが示された。
論文参考訳（メタデータ） (2023-11-02T06:56:50Z)
The RoboDepth Challenge: Methods and Advancements Towards Robust Depth Estimation [97.63185634482552]
我々は,RoboDepth Challengeの優勝ソリューションを要約する。この課題は、堅牢なOoD深度推定を容易にし、前進させるように設計された。この課題が、堅牢で信頼性の高い深度推定に関する将来の研究の基盤となることを願っている。
論文参考訳（メタデータ） (2023-07-27T17:59:56Z)
Monocular Visual-Inertial Depth Estimation [66.71452943981558]
単眼深度推定と視覚慣性計測を統合した視覚慣性深度推定パイプラインを提案する。提案手法は, 疎度度に対する大域的スケールとシフトアライメントを行い, 続いて学習に基づく高密度アライメントを行う。本研究では,TartanAir と VOID のデータセットを用いて,密集したスケールアライメントによるRMSE の最大30%の削減を観測した。
論文参考訳（メタデータ） (2023-03-21T18:47:34Z)
SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for Dynamic Scenes [58.89295356901823]
自己監督型単眼深度推定は静的な場面で顕著な結果を示した。トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
論文参考訳（メタデータ） (2022-11-07T16:17:47Z)
Uncertainty Guided Depth Fusion for Spike Camera [49.41822923588663]
スパイクカメラのための単分子およびステレオ深度推定ネットワークの予測を融合させる新しい不確かさ誘導深度融合(UGDF)フレームワークを提案する。我々のフレームワークは、ステレオスパイク深さ推定がより近い範囲でより良い結果をもたらすという事実に動機づけられている。従来のカメラ深度推定よりもスパイク深度推定の利点を示すため、我々はCitySpike20Kというスパイク深度データセットに貢献する。
論文参考訳（メタデータ） (2022-08-26T13:04:01Z)
ADAADepth: Adapting Data Augmentation and Attention for Self-Supervised Monocular Depth Estimation [8.827921242078881]
深度向上を深度監督として活用し、正確で堅牢な深度を学習するADAAを提案します。本稿では,リッチなコンテキスト特徴を学習し,さらに深度を向上するリレーショナル自己認識モジュールを提案する。 KITTI運転データセットの予測深度を評価し、最新の結果を実現します。
論文参考訳（メタデータ） (2021-03-01T09:06:55Z)

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。