論文の概要: AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World

• arxiv url: http://arxiv.org/abs/2606.29716v1
• Date: Mon, 29 Jun 2026 02:48:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.024091
• Title: AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World
• Title（参考訳）: Aerial Metric: 実世界におけるUAV単分子距離推定のベンチマークと適応
• Authors: Zhongqiang Song, Guanying Chen, Yuqi Zhang, Yin Zou, Chuanyu Fu, Zhiyuan Yuan, Chuan Huang, Shuguang Cui, Xiaochun Cao,
• Abstract要約: AerialMetricは,UAV空中視点下での単分子メートル法深度推定の適応性を評価するためのベンチマークデータセットである。 AerialMetricは、52Kの現実世界と16Kの合成画像深度対を信頼できる計量基底真理で提供する。
• 参考スコア（独自算出の注目度）: 75.54693105865003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the problem of monocular metric depth estimation in aerial UAV imagery. Although recent data-driven methods have achieved remarkable progress in ground-level scenarios, models trained primarily on street-view and indoor datasets exhibit significant domain gaps when applied to aerial viewpoints. To tackle these challenges, we introduce AerialMetric, a benchmark dataset designed to evaluate and facilitate the adaptation of monocular metric depth estimation under UAV aerial viewpoints. The dataset consists of four complementary subsets collected from different sources, jointly covering real-world photogrammetry data, controlled aerial acquisition settings, photorealistic synthetic scenes, and in-the-wild Internet imagery. Totally, AerialMetric provides 52K real-world and 16K synthetic image-depth pairs with reliable metric ground truth. Based on this dataset, we conduct systematic evaluations of existing state-of-the-art models under aerial settings and investigate the impact of viewpoint, altitude, and camera parameters on metric depth prediction. In addition, by fine-tuning representative metric depth model on our dataset, we establish a comprehensive aerial benchmark and achieve state-of-the-art performance across diverse aerial imagery. Our dataset, code, and model weight are publicly available at https://kuieless.github.io/AerialMetric-ECCV2026-page/.
• Abstract（参考訳）: 本稿では,空中UAV画像における単分子距離推定の問題に対処する。 近年のデータ駆動方式は地上のシナリオにおいて顕著な進歩を遂げているが、主にストリートビューと屋内データセットに基づいて訓練されたモデルは、地上の視点に適用した場合、大きな領域ギャップを示す。 これらの課題に対処するために,UAVの空中視点下での単分子距離推定の適応性を評価するために設計されたベンチマークデータセットであるAerialMetricを導入する。 データセットは、異なるソースから収集された4つの補完的なサブセットで構成されており、現実世界のフォトグラムデータ、制御された空中取得設定、フォトリアリスティックな合成シーン、そしてその中のインターネットイメージを共同でカバーしている。 合計すると、AerialMetricは52Kの現実世界と16Kの合成画像深度対を信頼できるメートル法で提供する。 本データセットに基づいて,航空環境下での既存の最先端モデルの体系的評価を行い,視点,高度,カメラパラメータが距離深度予測に与える影響について検討する。 さらに,我々のデータセットにおける代表距離深度モデルの微調整により,総合的な航空ベンチマークを確立し,多様な航空画像における最先端性能を実現する。 私たちのデータセット、コード、モデルウェイトはhttps://kuieless.github.io/AerialMetric-ECCV2026-page/で公開されています。

関連論文リスト

• Honey, I Shrunk the Arc de Triomphe! [28.188906774039364]
  大規模データアグリゲーションにより,メートルスケール単分子形状推定が大幅に進展した。 現在の基礎モデルは「スケール崩壊」現象に悩まされており、遠くのランドマークや広大な風景は計量的に過小評価されている。 我々は、MetricScenesと呼ばれる、新しい計測基準付きインザワイルドデータセットをキュレートする。 我々のデータセット上の微調整MoGe-2はスケール崩壊を著しく軽減し、制約のないオープンドメインシーンにおいて優れた計量精度を実現する。
  論文  参考訳（メタデータ） (2026-06-01T15:28:13Z)
• AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
  本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。 擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。 このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-04-17T17:57:05Z)
• TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
  本研究は,推定時間における相対的推定から距離深度を求めるための実用的スケール回復手法であるTanDepthを提示する。 提案手法は,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。 推定深度マップから接地点を選択して、投影された基準点と相関するクラスフィルタシミュレーションへの適応を示す。
  論文  参考訳（メタデータ） (2024-09-08T15:54:43Z)
• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• LARD - Landing Approach Runway Detection -- Dataset for Vision Based Landing [2.7400353551392853]
  本稿では,接近・着陸時の滑走路検出のための高品質な空中画像のデータセットを提案する。 データセットの大部分は合成画像で構成されていますが、実際の着陸映像から手動でラベル付けされた画像も提供しています。 このデータセットは、データセットの品質の分析や、検出タスクに対処するモデルの開発など、さらなる研究の道を開く。
  論文  参考訳（メタデータ） (2023-04-05T08:25:55Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)

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。