論文の概要: Towards Robust Driving Perception: A Flexible Scale-Driven Family for Self-Supervised Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2607.00736v2
• Date: Thu, 02 Jul 2026 02:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.262951
• Title: Towards Robust Driving Perception: A Flexible Scale-Driven Family for Self-Supervised Monocular Depth Estimation
• Title（参考訳）: ロバスト運転知覚に向けて:自己監督型単眼深度推定のためのフレキシブルなスケール駆動型家族
• Abstract要約: 我々は,挑戦的な道路シナリオに適した自己監督型MDEモデルのファミリーであるFlexDepthを提案する。 計算オーバーヘッドを最小限に抑えた任意のスケールでの最先端性能を実現する。 私たちの最小モデルであるFlex-Nanoは、わずか0.7 GFLOPsしか必要とせず、モバイルプラットフォームで37.6 FPSを実現しています。
• 参考スコア（独自算出の注目度）: 13.95419978245061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-Supervised Monocular Depth Estimation (MDE) has garnered attention in recent years due to its independence from ground truth. However, most existing models are limited to a single scale and exhibit considerable performance degradation in complex driving environments. Networks specifically designed to handle dynamic traffic participants tend to be overly complex, hindering their deployment on resource-constrained automotive edge devices. To address these limitations and move towards robust driving perception, we propose FlexDepth, a scale-driven and flexible family of self-supervised MDE models tailored for challenging road scenarios. FlexDepth employs a two-stage static-dynamic decoupled training strategy, enabling the independent assessment of confidence for both static backgrounds and dynamic road objects. Furthermore, it introduces a meticulously designed Scale-Driven Decoder (SDD) to dynamically select components based on scale size, facilitating efficient feature fusion and the output of high-precision depth maps. Extensive experiments on standard driving benchmarks demonstrate that without any auxiliary information, our model achieves state-of-the-art performance across arbitrary scales with minimal computational overhead. Our smallest model, Flex-Nano, requires only 0.7 GFLOPs and achieves 37.6 FPS on mobile platforms, ensuring reliable real-time perception while maintaining excellent zero-shot generalization. Our source code is avalible: https://github.com/startnew/flexdepth
• Abstract（参考訳）: 自己監督型単分子深度推定(MDE)は,近年,基礎的真理から独立して注目されている。 しかし、既存のモデルのほとんどは単一スケールに限られており、複雑な運転環境ではかなりの性能低下を示す。 動的トラフィック参加者を扱うように設計されたネットワークは、リソース制約のある自動車エッジデバイスへのデプロイメントを妨げるため、複雑すぎる傾向にある。 これらの制約に対処し、ロバストな運転知覚に向かって進むために、我々は、挑戦的な道路シナリオに適した、スケール駆動で柔軟な自監督型MDEモデルのファミリーであるFlexDepthを提案する。 FlexDepthは2段階の静的な分離されたトレーニング戦略を採用しており、静的な背景と動的道路オブジェクトの両方に対する信頼性を独立して評価することができる。 さらに、SDD(Scale-Driven Decoder)を導入し、スケールサイズに基づいてコンポーネントを動的に選択し、効率的な特徴融合と高精度深度マップの出力を容易にする。 標準駆動ベンチマークの大規模な実験により、補助的な情報がなければ、計算オーバーヘッドを最小限に抑えながら任意のスケールで最先端の性能を達成できることが示された。 最小のモデルであるFlex-Nanoは0.7GFLOPしか必要とせず、モバイルプラットフォーム上で37.6FPSを実現し、優れたゼロショットの一般化を維持しながら、信頼性の高いリアルタイム認識を確保している。 ソースコードはavalibleである。 https://github.com/startnew/flexdepth

関連論文リスト

• DrivingVoxels: Compositional Sparse Voxel Rasterization for Dynamic Driving Scene Reconstruction [14.8989510421373]
  動的駆動シーンのための合成スパースボクセルレンダリングフレームワークであるドライビングボクセルについて述べる。 本手法は,複数の独立したオクツリーからのスパースボクセルを1つのレンダリングパスで結合する。 我々はPandaSetベンチマークのフレームワークを評価し、DrivingVoxelsが知覚的メトリクスとNVSと再構築のための構造的メトリクスで同等に動作することを示した。
  論文  参考訳（メタデータ） (2026-06-22T08:42:16Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• MOBIUS: Big-to-Mobile Universal Instance Segmentation via Multi-modal Bottleneck Fusion and Calibrated Decoder Pruning [91.90342432541138]
  モデルサイズとトレーニングデータのスケールアップには、インスタンスレベルの知覚のための高度な基盤モデルがある。 資源制約されたプラットフォームにおける高い計算コスト制限。 我々は,高性能コンピューティングプラットフォームとモバイルデバイスの両方において,効率的なセグメンテーションのための新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-10-16T18:00:00Z)
• GMF-Drive: Gated Mamba Fusion with Spatial-Aware BEV Representation for End-to-End Autonomous Driving [5.450011907283289]
  本稿では, GMF-Driveを紹介した。これは2つの原則的イノベーションを通じて, 課題を克服するエンドツーエンドフレームワークである。 まず、情報制限ヒストグラムに基づくLiDAR表現を、幾何学的に拡張された柱形式で置き換える。 第二に,高効率空間認識状態空間モデルを用いた高価な変圧器を代替する新しい階層型マンバ融合アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:17:18Z)
• AD-GS: Object-Aware B-Spline Gaussian Splatting for Self-Supervised Autonomous Driving [29.420887070252274]
  我々は,単一のログから駆動シーンの高品質な自由視点レンダリングを実現するための,新しい自己教師型フレームワークAD-GSを紹介する。 中心となるのは、局所性を考慮したB-スプライン曲線と大域的な三角関数を統合する新しい学習可能な運動モデルである。 我々のモデルは、可視性推論と物理的に厳密な正規化を取り入れ、堅牢性を高めている。
  論文  参考訳（メタデータ） (2025-07-16T11:10:57Z)
• UNO: Unified Self-Supervised Monocular Odometry for Platform-Agnostic Deployment [22.92093036869778]
  多様な環境にまたがるロバストかつ姿勢推定を可能にする統合ビジュアル・オドメトリー・フレームワークであるUNOを提案する。 われわれのアプローチは、自動運転車、ドローン、移動ロボット、ハンドヘルドデバイスなど、さまざまな現実のシナリオを効果的に一般化する。 提案手法を3つの主要なベンチマークデータセット上で広範囲に評価する。
  論文  参考訳（メタデータ） (2025-06-08T06:30:37Z)
• SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation [81.36747103102459]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 現在の最先端の手法は、限定されたデータセット上で革新的なアーキテクチャ設計を訓練することに焦点を当てている。 本稿では,EHPSのスケールアップが一般基盤モデルのファミリに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:46Z)
• Seeing Beyond Views: Multi-View Driving Scene Video Generation with Holistic Attention [61.3281618482513]
  高品質なマルチビュー駆動ビデオの合成を目的とした,新しいネットワークであるCogDrivingについて紹介する。 CogDriving は Diffusion Transformer アーキテクチャと holistic-4D attention module を活用し、次元間の同時結合を可能にする。 CogDrivingは、nuScenesバリデーションセットで強力なパフォーマンスを示し、FVDスコア37.8を達成し、リアルなドライビングビデオを生成する能力を強調している。
  論文  参考訳（メタデータ） (2024-12-04T18:02:49Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)

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。