論文の概要: EMCStereo: Attention-Enhanced Stereo Matching for Thin-Structure Depth Estimation with a Synthetic Tree-Branch Benchmark
- arxiv url: http://arxiv.org/abs/2609.13233v1
- Date: Wed, 02 Sep 2026 11:32:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 16:32:15.663931
- Title: EMCStereo: Attention-Enhanced Stereo Matching for Thin-Structure Depth Estimation with a Synthetic Tree-Branch Benchmark
- Title（参考訳）: EMCStereo: Atention-Enhanced Stereo Matching for Thin-Structure Depth Estimation with a Synthetic Tree-Branch Benchmark
- Abstract要約: 我々は木の枝のような細い構造に対するステレオマッチングに3つの貢献をする。
まず、EMCStereoは3つの軽量アテンションモジュールをPSMNetスタイルのバックボーンに統合する。
第2に、VirtualTreeは、シミュレーションされたZED Mini rigでUnreal Engine 5でレンダリングされた合成ステレオデータセットである。
- 参考スコア（独自算出の注目度）: 5.266753902938501
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thin structures such as tree branches are among the hardest cases for stereo matching: a branch is only a few pixels wide, the background is cluttered, and dense ground truth for real branches is nearly impossible to label by hand. We make three contributions. First, EMCStereo integrates three lightweight attention modules into a PSMNet-style cost-volume backbone: Efficient Multi-scale Attention (EMA) on deep semantic features, a Multi-Scale Fusion block (MSFblock) learning spatial pyramid weights instead of concatenating them, and Coordinate Attention (CoordAtt) on final matching features. Because MSFblock collapses four pyramid branches into one, the modules leave the network 2.0% smaller and add only 1.7% inference time overhead. Second, VirtualTree is a synthetic stereo dataset rendered in Unreal Engine 5 with a simulated ZED Mini rig, providing 5,520 pairs with exact disparity for thin branches. Third, an eight-way ablation establishes a run-to-run noise floor of 0.009 px end-point error (EPE). EMCStereo achieves 1.31 px EPE (5.96% D1-all) on the VirtualTree test split, 1.00 px on SceneFlow, and 0.80, 0.73, 0.62, and 3.19 px on KITTI 2012, KITTI 2015, ETH3D, and Middlebury, with depth accuracy delta_1 from 92.6% to 98.7%. Evaluated against the noise floor, the attention stack is accuracy-neutral at a 100-epoch budget, while MSFblock and CoordAtt cost 0.03-0.05 px unless EMA is present.
- Abstract（参考訳）: 木の枝のような細い構造はステレオマッチングの最も難しい場合の一つであり、枝はわずか数ピクセルの幅しかなく、背景は散らばっており、実枝の密度の高い基底真理は手でラベル付けすることがほとんど不可能である。
私たちは3つの貢献をします。
まず、EMCStereoは3つの軽量アテンションモジュールをPSMNetスタイルのコストボリュームバックボーンに統合する: 深いセマンティック機能に対する効率的なマルチスケールアテンション(EMA)、それらを結合する代わりに空間ピラミッド重量を学習するマルチスケールフュージョンブロック(MSFblock)、最終的なマッチング機能に関するコーディネートアテンション(Coordinate Attention(CoordAtt))。
MSFブロックは4つのピラミッドの枝を1つに分解するため、モジュールはネットワークを2.0%小さくし、1.7%の推論時間しか追加しない。
第2に、VirtualTreeは、シミュレーションされたZED Miniリグを備えたUnreal Engine 5でレンダリングされた合成ステレオデータセットである。
第3に、8方向アブレーションは0.009pxの終点誤差(EPE)のラン・ツー・ランノイズフロアを確立する。
EMCStereoは、VirtualTreeテストスプリットで1.31 px EPE (5.96% D1-all)、SceneFlowで1.00 px、KITTI 2012で0.80, 0.73, 0.62, 3.19 px、深さ精度で92.6%から98.7%である。
MSFブロックとCoordAttはEMAがなければ0.03-0.05pxである。
関連論文リスト
- Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。
検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。
ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
論文 参考訳（メタデータ） (2026-09-07T15:03:36Z) - Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane [52.210414985125816]
立体視内容が、負の相違に対応するゼロの相違面の背後にある物体をどう含んでいるかを示す。
撮影者が作成した7本の公開映画から21,495ドルのステレオペアのベンチマークである textitZDPShift を提案する。
同じシーンコンテンツでは、ファンデーションは25.24ドルEPEから75.33ドルpxに上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。
論文 参考訳（メタデータ） (2026-09-06T19:58:35Z) - Emotion as a Distribution: Joint Valence-Arousal Probability Learning for Speaker-Independent Multimodal Emotion Recognition [0.4779196219827507]
マルチモーダル認識装置は 人間の感情を 1つのハードラベルに分解する
我々は、認識者が感情空間上の分布を公開するべきだと論じている。
我々のシステムは、ヴァレンス-アルーサル平面上で9時間9ドル確率行列を出力する。
論文 参考訳（メタデータ） (2026-09-04T22:34:14Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - DAMamba-UNet3D: A Parameter-Efficient Mamba State Space U-Net with Dynamic Adaptive Scan for 3D Medical Image Segmentation [1.9414157088543738]
DAMamba-UNet3Dは、エンコーダステージE2-E4で3次元DASブロックを統合するハイブリッドエンコーダデコーダである。
BraTS 2020の5倍のクロスバリデーションでは、DAMamba-UNet3DはDice 0.815 +/-0.013をSegMambaよりも13倍低いパラメータで達成している。
論文 参考訳（メタデータ） (2026-07-21T16:42:48Z) - Bag of Dims: Training-Free Mechanistic Interpretability via Dimension-Level Sign Patterns [0.0]
我々は、すでにトレーニング不要でアーキテクチャ全般的な機能ベースを提供しているトランスフォーマー隠蔽状態の標準基底を示す。
このBag of Dimsフレームワークを、言語にまたがる7つのモデルで検証する。
論文 参考訳（メタデータ） (2026-06-10T19:34:31Z) - ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。
ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-04-26T20:39:19Z) - THEIA: Learning Complete Kleene Three-Valued Logic in a Pure-Neural Modular Architecture [0.0]
THEIAは2.75Mのモジュラー・ニューラルアーキテクチャで、外部のシンボル推論や手書きのK3ゲートプリミティブを使わずにタスクデータから完全Kleene 3値論理(K3)真理表を学習する。
トランスフォーマーのベースラインは39の規則すべてで99%に到達し、フラットは0.04pp以内のフェーズ1の精度でTheIAと一致している。
論文 参考訳（メタデータ） (2026-04-13T10:44:15Z) - Real-Time Branch-to-Tool Distance Estimation for Autonomous UAV Pruning: Benchmarking Five DEFOM-Stereo Variants from Simulation to Jetson Deployment [5.266753902938501]
タスク固有の合成データセット上でDEFOM-Stereoの5つの変種をトレーニングし、NVIDIA Jetson Orin Super 16 GB上でチェックポイントをデプロイする。
トレーニングコーパスはUnreal Engine 5で構築され、シミュレーションされたZED Miniステレオカメラ5,520台のステレオペアが115本のツリーインスタンスに2mの距離で3つの視点から配置されている。
DeFOM-PrunePlusは車載距離推定に最も実用的な精度-レイテンシバランスを提供する。
論文 参考訳（メタデータ） (2026-03-27T10:16:39Z) - Towards Effective and Efficient Non-autoregressive Decoding Using Block-based Attention Mask [74.64216073678617]
AMDはアテンションマスクを用いて隠された出力ラベルの連続ブロック内で並列NAR推論を行う。
ビームサーチアルゴリズムは、CTC、ARデコーダ、AMD確率の動的融合を利用するように設計されている。
LibriSpeech-100hrコーパスの実験では、AMDモジュールを組み込んだトリパルタイトデコーダが最大1.73倍のデコード速度比を生み出すことを示唆している。
論文 参考訳（メタデータ） (2024-06-14T13:42:38Z) - BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation [105.96557764248846]
本稿では,汎用マルチタスクマルチセンサ融合フレームワークであるBEVFusionを紹介する。
共有鳥眼ビュー表示空間におけるマルチモーダル特徴を統一する。
3Dオブジェクト検出では1.3%高いmAPとNDS、BEVマップのセグメンテーションでは13.6%高いmIoU、コストは1.9倍である。
論文 参考訳（メタデータ） (2022-05-26T17:59:35Z)
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。