Fugu-MT 論文翻訳(概要): Weather-Conditioned Depth Anything

論文の概要: Weather-Conditioned Depth Anything

arxiv url: http://arxiv.org/abs/2609.04827v1
Date: Fri, 04 Sep 2026 07:29:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:23.961442
Title: Weather-Conditioned Depth Anything
Title（参考訳）: 気象に照らされた深度
Abstract要約: 本稿では,気象汚染深度推定のためのコンテンツからスタイルを明示的に切り離すフレームワークであるDA-Wについて述べる。具体的には、リアルおよび合成劣化データセットのキュレートされた混合に基づいてトレーニングされたスタイルフィルタを導入し、コンテンツに依存しない、劣化を意識した気象の埋め込みを抽出する。このような軽量な変調により、霧、雨、雪、低照度といった様々な条件に、単一の統一モデルでしっかりと適応することができる。
参考スコア（独自算出の注目度）: 21.76633155195026
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Monocular depth estimation foundation models, such as the Depth Anything series, have achieved remarkable performance across diverse domains. However, they still suffer from critical failures under adverse weather conditions, such as fog, rain, snow, or at night. To address this, we present Weather-Conditioned Depth Anything (DA-W), a framework that explicitly disentangles style from content for weather-robust depth estimation. Specifically, we introduce a Style Filter trained on a curated mix of real and synthetic degradation datasets to extract content-independent, degradation-aware weather embeddings. This style embedding is then injected into the Depth Anything backbone using a parameter-efficient, zero-initialized adapter. Such a lightweight modulation allows a single unified model to robustly adapt to diverse conditions, including fog, rain, snow, and low-light, while avoiding catastrophic forgetting of its core generalization abilities in normal conditions. We train the adapter using a pseudo-label distillation and alignment strategy. Our comprehensive experiments demonstrate that our proposed DA-W achieves state-of-the-art robust depth estimation, improving AbsRel by an average of 3.7% on our curated weather benchmarks, while matching or slightly outperforming performance on standard clean benchmarks. Our project page is available at https://zhaoming-tamu.github.io/WCDA/.
Abstract（参考訳）: Depth Anythingシリーズのような単眼深度推定基礎モデルは、様々な領域で顕著なパフォーマンスを実現している。しかし、霧、雨、雪、夜間などの悪天候下では依然として致命的な故障に悩まされている。これを解決するために、気象汚染深度推定のためのコンテンツからスタイルを明示的に切り離すフレームワークDA-W(Weather-Conditioned Depth Anything)を提案する。具体的には、リアルおよび合成劣化データセットのキュレートされた混合に基づいてトレーニングされたスタイルフィルタを導入し、コンテンツに依存しない、劣化を意識した気象の埋め込みを抽出する。このスタイルの埋め込みはパラメータ効率のよいゼロ初期化アダプタを使ってDepth Anythingバックボーンに注入される。このような軽量な変調により、単一統一モデルでは、霧、雨、雪、低照度などの様々な条件に頑強に適応でき、通常の条件下でコア一般化能力の破滅的な忘れを回避できる。擬似ラベル蒸留とアライメント戦略を用いてアダプタを訓練する。我々の総合的な実験は,提案したDA-Wが最先端の頑健な深度推定を実現し,AbsRelを平均3.7%改善し,標準クリーンベンチマークの性能に適合あるいはわずかに優れることを示した。私たちのプロジェクトページはhttps://zhaoming-tamu.github.io/WCDA/で公開されています。

関連論文リスト

NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
論文参考訳（メタデータ） (2026-03-28T10:46:29Z)
Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
論文参考訳（メタデータ） (2026-02-16T13:53:23Z)
Depth Anything at Any Condition [21.800621254831718]
多様な環境条件を扱える基礎的単眼深度推定(MDE)モデルであるDepth Anything at Any Condition (DepthAnything-AC)を提案する。これまでのMDEモデルは、一般的な場面で印象的なパフォーマンスを達成できたが、複雑なオープンワールド環境ではうまく機能しなかった。比較的少量のラベル付きデータしか必要としない、教師なし整合正則化微調整パラダイムを提案する。
論文参考訳（メタデータ） (2025-07-02T12:05:57Z)
Always Clear Depth: Robust Monocular Depth Estimation under Adverse Weather [48.65180004211851]
高品質なトレーニングデータ生成とドメイン適応の観点から,textbfACDepth と呼ばれる頑健な単眼深度推定手法を提案する。具体的には、悪天候条件をシミュレートするサンプルを生成するための1段階拡散モデルを導入し、トレーニング中に多段階劣化データセットを構築した。本稿では,教師モデルと事前学習深度V2からの知識を学生ネットワークに吸収させる多粒度知識蒸留戦略(MKD)について詳述する。
論文参考訳（メタデータ） (2025-05-18T02:30:47Z)
HazyDet: Open-Source Benchmark for Drone-View Object Detection with Depth-Cues in Hazy Scenes [54.24350833692194]
HazyDetは、ヘイジーな環境でドローンビューオブジェクトを検出するために特別に設計された、最初の大規模ベンチマークである。本稿では,迷路による視覚劣化に対処するため,Depth-Conditioned Detector (DeCoDet)を提案する。 HazyDetは、検出アルゴリズムを前進させるための挑戦的で現実的なテストベッドを提供する。
論文参考訳（メタデータ） (2024-09-30T00:11:40Z)
Dusk Till Dawn: Self-supervised Nighttime Stereo Depth Estimation using Visual Foundation Models [16.792458193160407]
自己教師付き深さ推定アルゴリズムはフレームウォーピング関係に大きく依存する。夜間に焦点をあてた自己教師型ステレオ深度推定を行うアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-18T03:07:23Z)
Into the Fog: Evaluating Robustness of Multiple Object Tracking [11.271890273740143]
最先端のMultiple Object Tracking (MOT)アプローチは、現在のベンチマークでトレーニングされ評価された場合、顕著なパフォーマンスを示している。これらのベンチマークは主に、霧、干し草、煙、塵のような有害な大気環境を見渡す、晴れた気候シナリオで構成されている。フレーム単位の単眼深度推定と霧生成光学モデルを用いて,任意のMOTデータセットに対する物理に基づく体積霧シミュレーション手法を提案する。
論文参考訳（メタデータ） (2024-04-12T21:41:50Z)
WeatherDepth: Curriculum Contrastive Learning for Self-Supervised Depth Estimation under Adverse Weather Conditions [42.99525455786019]
カリキュラムのコントラスト学習による自己教師付き頑健な深度推定モデルであるWeatherDepthを提案する。提案手法は様々なアーキテクチャに容易に組み込めることが証明され、合成および実際の気象データセット上での最先端(SoTA)性能を示す。
論文参考訳（メタデータ） (2023-10-09T09:26:27Z)
Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文参考訳（メタデータ） (2023-08-18T17:59:01Z)
Self-supervised Monocular Depth Estimation: Let's Talk About The Weather [2.836066255205732]
現在の自己監督型深度推定アーキテクチャは、深層ニューラルネットワークをトレーニングするために、晴れた晴れた天気のシーンに依存している。本稿では,この問題を解決するために拡張を用いた手法を提案する。我々は,提案手法であるRobust-Depthが,KITTIデータセット上でSotA性能を達成することを示すため,広範囲なテストを行う。
論文参考訳（メタデータ） (2023-07-17T09:50:03Z)
DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。 DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
論文参考訳（メタデータ） (2022-12-05T14:00:59Z)

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。