論文の概要: Boosting Metric Depth Completion via Training-Free Adaptive Response Geometry

• arxiv url: http://arxiv.org/abs/2609.36168v1
• Date: Mon, 28 Sep 2026 19:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.974339
• Title: Boosting Metric Depth Completion via Training-Free Adaptive Response Geometry
• Title（参考訳）: トレーニング不要な適応応答幾何による平均深度補完の促進
• Abstract要約: 適応応答幾何を導入し、画像レベルの未知の深さ、ログ深度、あるいは不均一度を一定に選択する。 我々は、応答勾配関係を導出し、計量空間における応答パラメータを推定する。 意図的な不完全な計量観測の下では、訓練のないパイプライン校正マクロAbsRel 0.0301とマクロNMed 14.04が、PresideDA、LDCM、Any2Fullの合計値を改善した。
• 参考スコア（独自算出の注目度）: 1.3464152928754485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Depth completion aims to recover dense metric depth from sparse sensor measurements, increasingly leveraging visual foundation models as geometric priors. However, aligning these priors to true metric scale typically relies on rigid affine assumptions in predefined coordinate systems, leaving systematic calibration errors. Linearity in depth calibration depends on the response coordinate. We introduce adaptive response geometry, which makes the fixed choice of depth, log depth, or disparity an image-level unknown. A continuous response family unifies these coordinates and defines an explicit depth-dependent gain. We derive the response-gradient relation and estimate the response parameters in metric space. Hard-Dirichlet residual reconstruction completes the calibrated prior. Under deliberately incomplete metric observations, the training-free pipeline achieves macro AbsRel 0.0301 and macro NMed 14.04°, improving both aggregate measures over PriorDA, LDCM, and Any2Full. Linearity diagnostics examine how the selected response changes the depth relation and its metric error.
• Abstract（参考訳）: 深度補修は、疎度センサーの測定から密度の深いメートル法深度を回復することを目的としており、幾何学的先行として視覚基盤モデルをますます活用することを目的としている。 しかしながら、これらの先行を真の計量スケールに合わせることは、通常、事前定義された座標系における厳密なアフィン仮定に依存し、体系的な校正誤差を残している。 深さキャリブレーションの線形性は応答座標に依存する。 適応応答幾何を導入し、画像レベルの未知の深さ、ログ深度、あるいは不均一度を一定に選択する。 連続応答族はこれらの座標を統一し、明示的な深さ依存利得を定義する。 我々は、応答勾配関係を導出し、計量空間における応答パラメータを推定する。 ハード・ディリクレの残像の復元は以前の校正を完了させる。 意図的な不完全な計量観測の下では、トレーニングなしパイプラインはマクロAbsRel 0.0301とマクロNMed 14.04°を達成し、PreferDA、LDCM、Any2Fullの合計値も改善した。 線形性診断は、選択された応答が深さ関係とその計量誤差をどのように変化させるかを調べる。

関連論文リスト

• FounRef: Robust, Structure-Preserving, and Fast Metric Refinement of Frozen Monocular Foundation Priors with Sparse Anchors [3.5880535198436156]
  FounRefは、凍結した単分子基底をスパース計量アンカーと整列させ、密度の深い計量深さを生成する訓練不要の方法である。 ドメイン外のデータでは、最大で24%の深さ誤差、92%の面正規ノイズ、そしてDMD3Cよりも約15倍高速な推論を提供する。
  論文  参考訳（メタデータ） (2026-09-24T08:32:29Z)
• PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
  PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。 ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
  論文  参考訳（メタデータ） (2026-09-17T17:54:12Z)
• DROID-ANCHOR: Odometry-Anchored Recurrent Metric Depth Estimation [12.05347499107643]
  Metric-DROIDは、視覚的SLAMを物理的現実に固定するエンドツーエンドの反復アーキテクチャである。 我々のシステムは視覚的再投射とメートル法翻訳の残差をインテリジェントにバランスさせ、ホイールスリップとセンサノイズの影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2026-07-19T04:03:34Z)
• DrivingDepth: Sparse-Prompted Pixel-wise Scale Correction for Driving Depth Estimation [19.18794880895008]
  既存のスパースプロンプト法は、基礎モデルのコヒーレントな幾何学を覆い、スクラッチから深さを再生することでLiDARを組み込む。 本稿では,スパルスLiDARを幾何学的プロンプトとして扱い,静止画素のスケール補正に先立って凍結基盤を局所的に校正するドライビングDepthを提案する。 4フレームのサラウンドビュー入力を持つnuSceneでは、DrivingDepthはAbsRelが11.19、EdgeCRが5.741、MapAnything(11.99/1.914)が11.99/1.914に勝っている。
  論文  参考訳（メタデータ） (2026-06-30T11:07:23Z)
• Measurement Geometry and Design for Trustworthy Generative Inverse Problems [9.927046475467204]
  本研究では,測度・測度の観点から生成的逆問題について検討する。 中心的な問題は、固定測定オペレータが、生成前の条件下で可視である近傍の画像を識別できるかどうかである。 本稿では,操作者が先行関係の接点方向をいかによく観察するかを定量化する局所的な測定・次元整合性尺度を提案する。
  論文  参考訳（メタデータ） (2026-06-01T14:28:24Z)
• Learning Image-Adaptive Scale Fields for Metric Depth Recovery [13.22167540260594]
  我々は、画像適応型スケール場モデリングとしてメートル法深度復元を定式化する。 深度を直接補正する代わりに、画像適応基底写像の低次元線形結合として補正を再構成する。 この定式化により、測定深度精度の向上、極端アンカー間隔下での強靭性、空間スケール変動の解釈可能な分解が得られる。
  論文  参考訳（メタデータ） (2026-05-08T08:13:02Z)
• Depth Anything with Any Prior [64.39991799606146]
  Prior Depth Anythingは、深さ測定における不完全だが正確な計量情報と深さ予測における相対的だが完全な幾何学的構造を組み合わせたフレームワークである。 本研究では, 単眼深度推定(MDE)モデルを構築し, 深度推定の固有ノイズを改良する。 われわれのモデルは、7つの現実世界のデータセットにまたがる深度補完、超高解像度、インパインティングという、印象的なゼロショットの一般化を見せている。
  論文  参考訳（メタデータ） (2025-05-15T17:59:50Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)

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。