論文の概要: Breaking the Horizontal Prior: From Long-Tailed Orientation Bias to Roll-Robust Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2608.00678v1
• Date: Sat, 01 Aug 2026 13:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.856944
• Title: Breaking the Horizontal Prior: From Long-Tailed Orientation Bias to Roll-Robust Monocular Depth Estimation
• Title（参考訳）: 水平軸方向バイアスからロールローバスト単分子深さ推定へ
• Abstract要約: わずかながらのカメラロールでも、深さ推定が大幅に低下する可能性がある。 ほとんどのトレーニング画像は、人間の視覚的嗜好と写真的習慣により、ほぼ水平方向に撮影される。 Invariant Depth Constraintは、ロールロバスト性を改善するトレーニング時間監視戦略である。
• 参考スコア（独自算出の注目度）: 24.995715743649953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent advances in Monocular Depth Estimation, state-of-the-art depth foundation models remain vulnerable to robustness issues. Particularly, even slight camera rolls can result in substantial degradation in depth estimations. We attribute this problem to a previously overlooked phenomenon, termed the Horizontal Prior, which is a manifestation of long-tailed distribution bias: most training images are captured in approximately horizontal orientations due to human visual preferences and photographic habits. While intuitive remedies such as re-balanced data augmentation and horizon leveling provide partial improvements, they fail to fully address the issue. In this paper, we introduce Invariant Depth Constraint (ID-Constraint), a training-time supervision strategy that improves roll robustness by fine-tuning and jointly regularizing the depth backbone with a series of geometric and spatial reasoning tasks. These auxiliary objectives encourage the backbone to learn rotation-stable, depth-relevant representations, while the auxiliary prediction heads are discarded after training, leaving the original inference architecture unchanged. Extensive experiments on five benchmark datasets across four roll settings demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: モノクロ深度推定の最近の進歩にもかかわらず、最先端の深度基礎モデルはロバストネスの問題に弱いままである。 特に、微妙なカメラロールでさえ、深さ推定が著しく低下する可能性がある。 この問題は,人間の視覚的嗜好や写真的習慣により,ほとんどのトレーニング画像がほぼ水平方向に撮影される,長い尾の分布バイアスの顕在化である水平優先現象(Horizontal Prior)と呼ばれる,これまで見過ごされていた現象に起因している。 データの再均衡や水平平準化といった直感的な改善は部分的な改善をもたらすが、問題を完全に解決することはできなかった。 Invariant Depth Constraint (ID-Constraint)は,様々な幾何学的および空間的推論タスクで奥行きバックボーンを調整し,微調整によりロールロバスト性を向上させる訓練時間監視戦略である。 これらの補助的な目的は、バックボーンが回転安定で深度関連のある表現を学ぶことを奨励する一方で、補助的な予測ヘッドはトレーニング後に破棄され、元の推論アーキテクチャは変わらないままである。 4つのロール設定にまたがる5つのベンチマークデータセットの大規模な実験により,提案手法の有効性が示された。

関連論文リスト

• UniFusion: Sparse-View 4D Reconstruction via Unified Spatio-temporal Depth Alignment [14.151508266012463]
  重要な課題は、ビューのオーバーラップと時間的変動の制限によって発生し、ビュータイム間で単眼的な深度予測が矛盾する。 既存の手法では、空間的次元と時間的次元を別々の段階に整列し、セグメンテーションマスクを必要とする。 本研究では,背景を区別することなく,横断的・時間的不整合を解消する統合時空間深度アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-05T05:19:00Z)
• SA4Depth: Consistent Pose-Depth Scale Alignment for Self-Supervised Monocular Depth Estimation [76.82232244682113]
  単分子配列からの自己教師付き深さ推定は、深さとポーズネットワークの合同学習に依存する。 ポーズと深度ネットによって推定されるシーンスケールのアライメントを改善するためのアプローチであるSA4Depthを紹介する。 提案手法は,学習可能な視覚的特徴を連続的フレーム間で再現するために,トレーニング中に推定した深度を用いている。
  論文  参考訳（メタデータ） (2026-05-27T13:38:25Z)
• Relative Pose Estimation through Affine Corrections of Monocular Depth Priors [69.59216331861437]
  本研究では,独立なアフィン(スケールとシフト)のあいまいさを明示的に考慮した相対ポーズ推定のための3つの解法を開発した。 提案する解法と古典的点ベース解法とエピポーラ制約を組み合わせたハイブリッド推定パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:58:30Z)
• BaseBoostDepth: Exploiting Larger Baselines For Self-supervised Monocular Depth Estimation [4.970364068620607]
  ポーズ推定の精度を高めるために、インクリメンタルなポーズ推定を導入する。 我々の最終深度ネットワークは、テスト時に計算複雑性を増大させることなく、KITTIとSynS-patchesデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-29T22:05:13Z)
• Towards Cross-View-Consistent Self-Supervised Surround Depth Estimation [9.569646683579899]
  連続画像からの自己監督下周深度推定は経済的な代替手段を提供する。 従来のSSSDE法では、画像間で情報を融合する異なるメカニズムが提案されているが、それらのいくつかは、クロスビュー制約を明示的に考慮している。 本稿では,SSSDEのクロスビュー一貫性を高めるために,効率的で一貫したポーズ推定設計と2つの損失関数を提案する。
  論文  参考訳（メタデータ） (2024-07-04T16:29:05Z)
• Semi-Supervised Unconstrained Head Pose Estimation in the Wild [57.11798881492183]
  本研究では,最初の半教師なしヘッドポーズ推定手法であるSemiUHPEを提案する。 本手法は, 前回のランドマークに基づくアフィンアライメントよりも, 野生の頭部のアスペクト比不変収穫が優れているという観測に基づいている。 提案手法は, 汎用物体回転回帰法や3次元頭部再構成法など, その他の密接に関連する問題を解く上でも有用である。
  論文  参考訳（メタデータ） (2024-04-03T08:01:00Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• Towards Robust and Unconstrained Full Range of Rotation Head Pose Estimation [2.915868985330569]
  本稿では,非拘束型終端頭部ポーズ推定のための新しい手法を提案する。 効率的かつロバストな直接回帰のための連続6次元回転行列表現を提案する。 提案手法は,他の最先端手法よりも効率的かつロバストに優れる。
  論文  参考訳（メタデータ） (2023-09-14T12:17:38Z)
• On the Sins of Image Synthesis Loss for Self-supervised Depth Estimation [60.780823530087446]
  画像合成の改善は深度推定の改善を必要としないことを示す。 この発散現象は、データから生じるアレラトリックな不確実性に起因している。 この観察された発散は、以前に報告されたり、深く研究されたりしていない。
  論文  参考訳（メタデータ） (2021-09-13T17:57:24Z)
• Improved Point Transformation Methods For Self-Supervised Depth Prediction [4.103701929881022]
  ステレオ画像対やエゴモーション画像対が与えられた場合、単眼深度推定の教師なし学習の一般的な成功方法は、学習した深度予測による画像再構成の品質を測定することである。 本稿では,変換後の点を新しい視点に正しく効率的に処理するzブッフィングアルゴリズムを提案する。 このアルゴリズムは、機械学習ライブラリの典型的なオペレーターによって実装されているため、差別化を自動サポートした既存の教師なし深度学習フレームワークに組み込むことができる。
  論文  参考訳（メタデータ） (2021-02-18T03:42:40Z)

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。