論文の概要: Repairing Shape-Prior Shortcuts in Long-Range Single-Shot Fringe Projection Profilometry

• arxiv url: http://arxiv.org/abs/2607.11928v1
• Date: Fri, 10 Jul 2026 11:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.884251
• Title: Repairing Shape-Prior Shortcuts in Long-Range Single-Shot Fringe Projection Profilometry
• Title（参考訳）: ロングランジ単ショットフランジプロジェクションプロファイロメトリーにおける形状と形状のショートカットの修復
• Abstract要約: 単発フリンジ投影プロファイロメトリーネットワークは、形状優先のショートカットを利用して、フリンジフェーズからではなく、物体の境界から深さを回復することができる。 我々はPhiCalNetを紹介します。これはラップフェーズの表現を$(sin, cos)で出力し、それを固定された微分可能なキャリブレーション層を通して深さにマップします。 PhiCalNet は、単発写像がフリンジ次数を持たない非射影写像であるため、フリンジ次数を補助入力として取る。
• 参考スコア（独自算出の注目度）: 0.030586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-shot fringe projection profilometry (FPP) networks that regress depth directly can exploit a shape-prior shortcut, recovering depth from object boundaries rather than from fringe phase. On a photorealistic synthetic benchmark (15,600 fringe images, 50 objects at 1.5-2.1 m standoff), the best such UNet baseline plateaus at 14.54 mm object mean absolute error (MAE), and neither more data nor more capacity removes the shortcut, because neither changes the hypothesis space the optimizer searches. We introduce PhiCalNet, which outputs a wrapped-phase representation $(\sinφ, \cosφ)$ and maps it to depth through a fixed differentiable calibration layer, removing the shape-prior solution architecturally rather than by a loss penalty. Because the single-shot mapping is non-injective without fringe order, PhiCalNet takes the fringe order as auxiliary input, an assumption a sensitivity analysis shows tolerates realistic decoding error; a physics-informed (PINN) baseline with the same physics as a soft penalty yields no gain, isolating the architectural choice as the operative factor. PhiCalNet reduces object MAE 3.3x to 4.46 mm, its residual confined to 0.103% of pixels at the $\pmπ$ wrap discontinuity, and a three-frame extension reaches 1.16 mm. Two checks agree: interpretability makes phase the most decodable internal feature, and pixel-wise conformal uncertainty quantification, to our knowledge the first for FPP, localizes error at the same discontinuity, where rejecting the top 5% of pixels by snapshot disagreement cuts root-mean-square error by 64% versus 3.5% for the baseline.
• Abstract（参考訳）: 直接的に深度を抑えるシングルショットフリンジプロファイロメトリー(FPP)ネットワークは、フェクトフェーズからではなく、物体の境界から深度を回復する、形状優先のショートカットを利用することができる。 フォトリアリスティックな合成ベンチマーク(15,600 fringe image, 50 object at 1.5-2.1 m standoff)では、14.54 mm object mean absolute error (MAE) のUNetベースラインプラトーが最高であり、データもキャパシティもショートカットを除去しない。 我々はPhiCalNetを紹介します。これはラップフェーズ表現を$(\sinφ, \cosφ)$で出力し、それを固定された微分可能なキャリブレーション層を通して深度にマッピングします。 PhiCalNet は、単発写像はフリンジ次数なしでは射出しないため、フリンジ次数を補助入力として取るため、感度解析による仮定は現実的な復号誤りを許容する。 PhiCalNet はオブジェクト MAE 3.3x を 4.46 mm に減らし、残余は$\pmπ$ ラップ不連続で 0.103% のピクセルに制限され、3フレーム拡張は 1.16 mm に達する。 2つのチェックが一致している: 解釈可能性によって位相が最も分解性のある内部特徴となり、FPPで最初にFPPでエラーをローカライズし、同じ不連続でエラーをローカライズし、スナップショットの不一致によりピクセルの上位5%を拒絶すると、根平均二乗誤差が64%、ベースラインが3.5%削減される。

関連論文リスト

• RayTun3R: Online Camera Adaptation in 3D Foundation Models [53.97305597591864]
  最近の3Dファウンデーションモデルは、強力なフィードフォワード深度を提供し、ピンホールのイメージを推定するが、魚眼カメラ幾何学の下では鋭く劣化する。 この失敗は、事前訓練された3次元基礎モデルの位置符号化におけるピンホールカメラバイアスによってもたらされることを示す。 軽量カメラ適応手法であるRayTun3Rを提案する。
  論文  参考訳（メタデータ） (2026-07-02T18:55:35Z)
• Flow Map Denoisers: Traversing the Distortion-Perception Plane for Inverse Problems [48.501415601682815]
  画像復元は基本的なトレードオフに直面している: エラーを最小限に抑える手法はぼやけた再構成を生み出し、知覚的品質を最大化する手法はシャープだが忠実でない画像を生み出す。 フローマップモデルは、歪み知覚フロンティアを連続的に分散する1パラメータのデノイザ群を暗黙的に定義する。 Plug-and-Playソルバ内では、同じメカニズムが一般的な逆問題にまで拡張され、知覚的アライメントとデータの一貫性のトレードオフを制御する。
  論文  参考訳（メタデータ） (2026-06-18T05:15:43Z)
• Diagnosing and Repairing Shape-Prior Shortcuts in Long-Range Single-Shot Fringe Projection Profilometry [0.027998963147546144]
  学習に基づく単発フリンジプロファイロメトリーは概ね近距離で研究されている。 逆二乗の強度低下は、フリンジ信号-雑音比を下げ、物理的基底真理を低下させる。 機械的解釈可能性 (MI) と共形不確実性定量化 (UQ) を用いた診断・妥当性検証研究について述べる。
  論文  参考訳（メタデータ） (2026-06-13T04:17:06Z)
• PENet+: A Lightweight Residual Transformer Framework for Efficient Image Steganalysis [9.15921637313934]
  ステガナリシスは 現代のサイバーセキュリティと デジタル法医学の中核的な要素です 最近の残差トランスフォーマーアーキテクチャは、強力な検出精度を実現するが、その計算およびメモリ要求は、リソース制約された設定への展開を妨げる。 本稿では,PENetの識別構造を保存し,効率を大幅に向上する軽量ステガナリシスフレームワークPENet+を提案する。
  論文  参考訳（メタデータ） (2026-06-09T14:47:16Z)
• The Need for Neural ISP in the Small-Pixel Era: How Shrinking Pixels Push Optics to the Limit and Neural Restoration Pushes Back [1.8130094118888165]
  画像復元のための学習ベースのNeural ISPは、根底にある劣化に基づいて訓練され、ステージワイズパイプラインではできないことを逆転させる。 この結果から、ニューラルISPは残光収差を補正することで高解像度の望遠モジュールを実現するという設計思想が示唆された。
  論文  参考訳（メタデータ） (2026-06-04T18:47:33Z)
• Covariance-Aware Goodness for Scalable Forward-Forward Learning [8.12004710498018]
  畳み込み設定では、Forward-Forwardメソッドは複雑なベンチマークのバックプロパゲーションが著しく低い。 3つの主要なコンポーネントを中心にしたフレームワークを提案する。 BPフリーモデルはImageNet-100で73.01%、Tiny-ImageNetで50.30%を達成した。
  論文  参考訳（メタデータ） (2026-05-05T23:08:00Z)
• DiP: Taming Diffusion Models in Pixel Space [91.51011771517683]
  Diffusion Transformer (DiT) バックボーンは、効率的なグローバル構造構築のために大きなパッチで動作する。 共同トレーニングされた軽量パッチディーラーヘッドは、コンテキスト機能を活用して、きめ細かいローカル詳細を復元する。
  論文  参考訳（メタデータ） (2025-11-24T06:55:49Z)
• Network Compression via Central Filter [9.585818883354449]
  本稿では,フィルタの適切な調整後に,フィルタが他のフィルタの集合とほぼ等しいことを示唆する,新しいフィルタプルーニング手法であるCentral Filter (CF)を提案する。 CFは様々なベンチマークネットワークやデータセットで最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2021-12-10T12:51:04Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild [104.61677518999976]
  顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。 提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。 PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:23:42Z)
• HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
  我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。 私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。 HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-24T11:50:09Z)

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。