論文の概要: SFE-VGGT: Source-Free VGGT Distillation for Event-Based Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2609.36929v1
• Date: Tue, 29 Sep 2026 07:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.29082
• Title: SFE-VGGT: Source-Free VGGT Distillation for Event-Based Monocular Depth Estimation
• Title（参考訳）: SFE-VGGT:イベントベース単分子深さ推定のためのソースフリーVGGT蒸留
• Abstract要約: SFE-VGGTは、VGGTの幾何学的先行を、対のRGB観測なしにイベント領域に蒸留する、ソースフリーのフレームワークである。 私たちの中核となる考え方は、ターゲットイベントストリームから直接サロゲートフレームを再構築して、凍結幾何学教師として機能させることです。 提案手法は,実世界のデータセットにまたがる高効率なゼロショット一般化を実証し,高精度な幾何学的先行情報をイベントカメラに転送できることを証明した。
• 参考スコア（独自算出の注目度）: 0.05055376568994175
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent event-based depth estimation methods successfully transfer geometric priors from vision foundation models via cross-modal distillation. However, their reliance on synchronized RGB-event pairs or depth annotations during training severely restricts practical deployment. To overcome this bottleneck, we propose SFE-VGGT, a novel source-free framework that distills the geometric priors of VGGT to the event domain without any paired RGB observations. Our core idea is to reconstruct surrogate frames directly from the target event stream to act as a frozen geometric teacher, entirely eliminating the need for genuine source RGB data. Crucially, as these surrogate frames inherently yield imperfect and spatially varying supervision, directly distilling from them propagates artifacts. To resolve this, we introduce a novel reliability-aware distillation strategy. This includes Density-Aware Feature Distillation to emphasize informative event regions, and Confidence-Weighted Depth Distillation to dynamically regulate supervision based on relative teacher-student prediction confidence. Meanwhile, we propose a Cross-Frame Relational Consistency loss that enforces temporal geometric stability using reliable inter-frame correspondences, bypassing the need for temporally consistent teacher's depth. Extensive experiments demonstrate that, despite source-free, our SFE-VGGT closely matches the accuracy of RGB-dependent baselines under standard conditions and significantly surpasses them in challenging nighttime scenarios. Across MVSEC nighttime sequences, SFE-VGGT reduces the average 10 m depth error by 15.3% compared with EventVGGT. Moreover, our method exhibits robust zero-shot generalization across real-world datasets, proving that highly effective geometric priors can be transferred to event cameras using strictly source-free supervision.
• Abstract（参考訳）: 近年のイベントベース深度推定法は, クロスモーダル蒸留による視覚基礎モデルからの幾何的先行推定に成功している。 しかし、訓練中のRGB-eventペアや深度アノテーションの同期への依存は、実践的な展開を厳しく制限する。 このボトルネックを克服するために、VGGTの幾何的先行をRGB観測なしでイベント領域に蒸留する新しいソースフリーフレームワークであるSFE-VGGTを提案する。 私たちの中核となる考え方は、ターゲットのイベントストリームから直接サロゲートフレームを再構築して、凍った幾何学教師として機能し、真のRGBデータの必要性を完全に排除することです。 これらのサロゲートフレームは本質的に不完全で空間的に異なる監督を与えるため、直接蒸留することで人工物が伝播する。 これを解決するために,信頼性に配慮した新しい蒸留戦略を導入する。 これには、情報的事象領域を強調する密度認識型特徴蒸留や、相対教師の予測信頼度に基づいて監督を動的に制御する信頼度重み付き深度蒸留が含まれる。 一方,時間的一貫した教師の深さの必要性を回避し,信頼性の高いフレーム間対応を用いた時間的幾何学的安定性を実現するクロスフレーム関係整合性損失を提案する。 我々のSFE-VGGTは、ソースフリーにもかかわらず、標準条件下でのRGB依存ベースラインの精度と密に一致し、挑戦的な夜間シナリオにおいてそれらをはるかに上回ることを示した。 MVSECの夜間シーケンス全体で、SFE-VGGTはEventVGGTと比較して平均10mの深さ誤差を15.3%削減する。 さらに,本手法は実世界のデータセットにまたがるロバストなゼロショットの一般化を示し,厳密なソースレス監視を用いて高精度な幾何学的先行情報をイベントカメラに転送できることを証明した。

関連論文リスト

• Robust Validation to Geometric Perturbations for Autonomous Pose Estimation [0.8062121966457854]
  視覚に基づくナビゲーションと自律着陸では、機械学習コンポーネントは動的操作条件下で厳格な検証を必要とする。 標準勾配に基づくポーズ推定は、ポーズ推定に失敗し、しばしば単純なランダムサンプリングベースラインよりも悪いパフォーマンスを示す。 我々はGLO(Global Lipschitzian)におけるロバストネス推定を再構成する。 これは、幾何学的検証を連続キーポイント回帰とディープオブジェクト検出に拡張する最初の研究である。
  論文  参考訳（メタデータ） (2026-08-21T13:08:37Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Con-DSO: Learning Short-Horizon Consistency Priors for RGB-D Direct Sparse Odometry [8.079139316299182]
  Con-DSOは、一貫性を意識したRGB-D直接スパースドメトリーフレームワークである。 時間的に隣接したRGB-Dフレーム対からの高密度な測光および深度幾何学的整合性の不確実性を予測する。 実験ではRGB-D VOベースラインよりも大幅に向上した。
  論文  参考訳（メタデータ） (2026-05-27T04:46:52Z)
• CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors [8.090575303185078]
  本稿では,視覚慣性配列(VIR)融合ローカライゼーションのための連続時間状態推定法を提案する。 イントロダクタ、ビジュアル、およびレンジリング制約は、スライドウインドウグラフの因子として定式化される。 パブリックデータセットと実世界の実験による評価は,提案手法の有効性と実用性を示すものである。
  論文  参考訳（メタデータ） (2026-04-16T02:23:57Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Iris: Bringing Real-World Priors into Diffusion Model for Monocular Depth Estimation [79.21856613345118]
  textbfIrisはモノクロ深さ推定のための決定論的フレームワークである。 アイリスは、合成シーンから現実シーンへと強く一般化する。 Irisは、強力なインザワイルド一般化によるMDEの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2026-03-17T10:13:42Z)
• EventVGGT: Exploring Cross-Modal Distillation for Consistent Event-based Depth Estimation [24.595306617729012]
  EventVGGTは、イベントストリームをコヒーレントなビデオシーケンスとして明示的にモデル化する、新しいフレームワークである。 既存の手法を一貫して上回り、絶対平均深度を30m以上53%以上下げる。 また、未確認のDENSEとMVSECデータセットに対して、堅牢なゼロショットエラーを示す。
  論文  参考訳（メタデータ） (2026-03-10T08:57:51Z)
• MDE-VIO: Enhancing Visual-Inertial Odometry Using Learned Depth Priors [8.2208199207543]
  本稿では,アフィン不変深度一貫性と対方向順序制約を強制する新しいフレームワークを提案する。 このアプローチは、計量スケールを頑健に回復しながら、エッジデバイスの計算限界に厳密に固執する。
  論文  参考訳（メタデータ） (2026-02-11T19:53:06Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)

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。