論文の概要: Depth Hypothesis Guided Iterative Refinement for Event-Image Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2610.03439v1
• Date: Fri, 02 Oct 2026 15:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.449576
• Title: Depth Hypothesis Guided Iterative Refinement for Event-Image Monocular Depth Estimation
• Title（参考訳）: 事象画像単眼深度推定のための深さ仮説ガイドによる反復補正
• Abstract要約: イベント画像における最初の単眼深度反復改善フレームワークであるHypoDepthを提案する。 離散深度仮説ボリューム(DHV)を導入することにより、深度回帰問題を制約付き深度探索タスクに変換する。 提案手法は,DSECおよびMVSECの既存手法よりも,最先端の結果と強力なゼロショット一般化により優れる。
• 参考スコア（独自算出の注目度）: 35.89260633488235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event cameras hold excellent dynamic properties, showing great potential for monocular depth estimation (MDE). However, existing methods mainly improve performance by optimizing contextual features, but still struggle with the ill-posed and nonlinear nature of direct full-depth regression. In this paper, we propose HypoDepth, the first event-image monocular depth iterative refinement framework. By introducing a discrete Depth Hypothesis Volume (DHV), we transform the depth regression problem into a constrained depth search task. Specifically, we construct a 3D cost volume between the DHV features and contextual features and perform a multi-scale correlation search to guide stable residual optimization. This lightweight cost volume enables efficient global-to-local refinement across multi-resolution. Our method outperforms existing approaches on DSEC and MVSEC with state-of-the-art results and strong zero-shot generalization. Meanwhile, our tiny model achieves an excellent balance between accuracy and efficiency, enabling real-time performance on resource-limited devices.
• Abstract（参考訳）: イベントカメラは優れた動的特性を有し、単眼深度推定(MDE)に大きな可能性を示す。 しかし、既存の手法は主に文脈特徴を最適化することで性能を向上するが、しかしながら、直接完全深度回帰の不備と非線形性に苦慮している。 本稿では,最初のイベントイメージの単眼深度反復改善フレームワークであるHypoDepthを提案する。 離散深度仮説ボリューム(DHV)を導入することにより、深度回帰問題を制約付き深度探索タスクに変換する。 具体的には,DHV特徴量と文脈特徴量との間に3次元のコストボリュームを構築し,安定な残差最適化を導くために,複数スケールの相関探索を行う。 この軽量なコストボリュームは、多解像度で効率的なグローバル・ローカル・リファインメントを可能にする。 提案手法は,DSECおよびMVSECの既存手法よりも,最先端の結果と強力なゼロショット一般化により優れる。 一方,我々の小型モデルでは精度と効率のバランスが良好であり,資源制限されたデバイス上でのリアルタイム性能を実現している。

関連論文リスト

• EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
  EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。 提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
  論文  参考訳（メタデータ） (2026-08-09T09:00:30Z)
• UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing [77.10640210751981]
  UDPNetは、大規模で事前訓練された深度推定モデルDepthAnything V2から深度に基づく事前情報を活用する一般的なフレームワークである。 提案手法は,様々なシナリオにまたがる深度認識デハージングのための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-01-11T13:29:02Z)
• JointSplat: Probabilistic Joint Flow-Depth Optimization for Sparse-View Gaussian Splatting [10.690965024885358]
  スパースの観点から3Dシーンを再構築することは、幅広いアプリケーションにおいて長年にわたる課題である。 近年のフィードフォワード3Dガウスのスパースビュー再構成法は, リアルタイムな新規ビュー合成のための効率的な解法である。 光学的流れと深さの相補性を利用する統一的なフレームワークであるJointSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-04T12:04:40Z)
• UniDepthV2: Universal Monocular Metric Depth Estimation Made Simpler [62.06785782635153]
  ドメインをまたいだ単一の画像からメートル法3Dシーンを再構成できる新しいモデルUniDepthV2を提案する。 UniDepthV2は、追加情報なしで、入力画像から推論時にメートル法3Dポイントを直接予測する。 我々のモデルは擬似球面出力表現を利用し、カメラと深度表現をアンタングル化する。
  論文  参考訳（メタデータ） (2025-02-27T14:03:15Z)
• DepthFM: Fast Monocular Depth Estimation with Flow Matching [22.206355073676082]
  現在の識別的深さ推定法は、しばしばぼやけた人工物を生成するが、生成的アプローチはノイズ・ツー・ディープ・トランスポートの曲率によるサンプリングが遅い。 本手法は,画像と深度分布間の直接輸送として深度推定をフレーミングすることで,これらの課題に対処する。 提案手法は, 複雑な自然シーンの標準ベンチマークにおいて, サンプリング効率を向上し, 学習に最小限の合成データしか必要とせず, 競争力のあるゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2024-03-20T17:51:53Z)
• Towards Domain Generalization for Multi-view 3D Object Detection in Bird-Eye-View [11.958753088613637]
  まず,MV3D-Detタスクにおける領域ギャップの原因を解析する。 頑健な深度予測を得るために,カメラの内在パラメータから深度推定を分離する手法を提案する。 焦点長の値を変更して複数の擬似ドメインを作成し、敵の訓練損失を発生させ、特徴表現をよりドメインに依存しないものにするよう促す。
  論文  参考訳（メタデータ） (2023-03-03T02:59:13Z)
• RA-Depth: Resolution Adaptive Self-Supervised Monocular Depth Estimation [27.679479140943503]
  本研究では,シーン深さのスケール不変性を学習し,自己教師付き単眼深度推定法(RA-Depth)を提案する。 RA-Depthは最先端の性能を達成し、解像度適応の優れた能力を示す。
  論文  参考訳（メタデータ） (2022-07-25T08:49:59Z)
• Towards 3D Scene Reconstruction from Locally Scale-Aligned Monocular Video Depth [90.33296913575818]
  映像深度推定や映像からの3次元シーン再構成のようなビデオベースのシナリオでは、フレームごとの予測における未知のスケールとシフトが深度の不整合を引き起こす可能性がある。 局所重み付き線形回帰法を提案する。 提案手法は,複数のゼロショットベンチマークにおいて,既存の最先端手法の性能を50%向上させることができる。
  論文  参考訳（メタデータ） (2022-02-03T08:52:54Z)
• Depth-conditioned Dynamic Message Propagation for Monocular 3D Object Detection [86.25022248968908]
  モノラル3Dオブジェクト検出の問題を解決するために、コンテキストと奥行きを認識する特徴表現を学びます。 KITTIベンチマークデータセットにおける単眼的アプローチにおける最新の結果を示す。
  論文  参考訳（メタデータ） (2021-03-30T16:20:24Z)

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。