論文の概要: StereoDiffuer: Diffusion-based Progressive Geometry Modeling with Saliency Attention Perception for Stereo Matching

• arxiv url: http://arxiv.org/abs/2608.21710v1
• Date: Sat, 22 Aug 2026 01:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.411519
• Title: StereoDiffuer: Diffusion-based Progressive Geometry Modeling with Saliency Attention Perception for Stereo Matching
• Title（参考訳）: StereoDiffuer:Saliency Attention Perception を用いた拡散型プログレッシブ幾何モデリングによるステレオマッチング
• Abstract要約: 本稿では,反復拡散に基づくステレオマッチングフレームワークであるStereoDiffuerを提案する。 幾何学的詳細を明示的にモデル化し、不均一性の推定を漸進的に洗練する。 Scene FlowとKITTIベンチマークの結果は、提案フレームワークの有効性を実証している。
• 参考スコア（独自算出の注目度）: 4.145113170351399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advance of deep neural networks, the quality of disparity maps obtained through stereo matching has steadily improved. However, existing stereo matching methods still struggle to preserve fine-grained geometric details, resulting in blurred edges and over-smoothed predictions in challenging regions. To address these limitations, we propose StereoDiffuer, an iterative diffusion-based stereo matching framework that explicitly models geometric details and progressively refines disparity estimates. The framework incorporates a Saliency Attention Perception (SAP) module to extract salient geometric cues, including object boundaries, thin structures, and sharp edges. Confidence-guided SAP features are combined with the initial disparity estimate to condition an iterative denoising diffusion process, which corrects residual disparity errors and restores geometric details suppressed during cost-volume regularization and upsampling. Experimental results on the Scene Flow and KITTI benchmarks demonstrate the effectiveness of the proposed framework and its competitive performance relative to the compared stereo matching methods.
• Abstract（参考訳）: ディープニューラルネットワークの進歩により、ステレオマッチングによって得られる不均一マップの品質は着実に向上した。 しかし、既存のステレオマッチング手法は、細かな幾何学的詳細を保存するのに依然として苦労しており、その結果、不明瞭なエッジと、挑戦する領域における過度に滑らかな予測が生じる。 これらの制約に対処するために,幾何学的詳細を明示的にモデル化し,不均一性の推定を漸進的に洗練する反復拡散に基づくステレオマッチングフレームワークであるStereoDiffuerを提案する。 このフレームワークはSAP(Saliency Attention Perception)モジュールを組み込んで、オブジェクト境界、細い構造、鋭いエッジを含む、健全な幾何学的手がかりを抽出する。 信頼誘導型SAP特徴量と初期偏差推定値とを組み合わせ、繰り返し偏差拡散過程を条件とし、残差誤差を補正し、コスト-ボリューム正規化およびアップサンプリング時に抑制された幾何学的詳細を復元する。 The Scene Flow and KITTI benchmarks on the experimental results on the Experimental results on the Scene Flow and KITTI benchmarks showed the effective of the proposed framework and its competitive performance with the comparison stereo matching method。

関連論文リスト

• STEREOFLOW: Progressive Stereo Matching with StereoDiT and Transition Flow Matching [45.06621486586422]
  本稿では,決定論的整合回帰と生成分布モデリングを統合した事前誘導型生成フレームワークを提案する。 提案されたStereoFlowは、Scene Flow、KITTI、ETH3D、Middleburyなど、ベンチマークの複数の最先端結果を確立する。
  論文  参考訳（メタデータ） (2026-07-22T10:19:43Z)
• Integrating Disparity Confidence Estimation into Relative Depth Prior-Guided Unsupervised Stereo Matching [55.784713740698365]
  教師なしのステレオマッチングは、コストのかかる不均一なアノテーションから独立して、大きな注目を集めている。 実現可能な解決策は、相対深度マップからステレオマッチングネットワークへの3次元幾何学的知識の転送にある。 本研究は,これらの課題に対処する新しい教師なし学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-02T09:11:05Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
  角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。 本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。 現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
  論文  参考訳（メタデータ） (2025-07-08T03:58:52Z)
• SR-Stereo & DAPE: Stepwise Regression and Pre-trained Edges for Practical Stereo Matching [2.8908326904081334]
  ドメインの相違を克服する新しい段階的回帰アーキテクチャを提案する。 疎基底真理で新しいドメインを適応するモデルのエッジ認識を高めるために,事前学習エッジ(DAPE)に基づくドメイン適応を提案する。 提案したSR-StereoとDAPEは,SceneFlow,KITTI,Middbury 2014,ETH3Dで広く評価されている。
  論文  参考訳（メタデータ） (2024-06-11T05:25:25Z)
• Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
  そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。 複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。 実験では、D4RDは合成汚職データセットや現実世界の気象条件に関する最先端のソリューションを超越している。
  論文  参考訳（メタデータ） (2024-04-15T14:29:47Z)
• Low-resolution Prior Equilibrium Network for CT Reconstruction [3.5639148953570836]
  本稿では,低分解能画像を導入し,ネットワークの堅牢性を改善するための効果的な正規化項を得る,新しいディープラーニングベースのCT再構成モデルを提案する。 狭角化と狭角化の両問題を実験的に検討し, ノイズ低減, コントラスト・ツー・ノイズ比, エッジ細部保存の両面において, エンド・ツー・エンドの低分解能事前平衡モデルが他の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-01-28T13:59:58Z)
• SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
  SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。 具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。 我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T16:15:46Z)
• Learning Stereo Matchability in Disparity Regression Networks [40.08209864470944]
  本稿では,画素ワイドマッチング性を考慮したステレオマッチングネットワークを提案する。 提案したDeep stereo Matchability (DSM) フレームワークは、品質を保証しながら、マッチング結果を改善したり、計算を高速化することができる。
  論文  参考訳（メタデータ） (2020-08-11T15:55:49Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。