論文の概要: SAP-Depth: Scene-Adaptive Probability Framework for Self-Supervised Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2610.24506v1
• Date: Sat, 17 Oct 2026 07:07:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:59:56.889821
• Title: SAP-Depth: Scene-Adaptive Probability Framework for Self-Supervised Monocular Depth Estimation
• Title（参考訳）: SAP-Depth:自己監督型単眼深度推定のためのシーン適応確率フレームワーク
• Abstract要約: SAP-DepthはScene-Adaptive Probabilisticに基づく新しいアーキテクチャである。 本稿では,入力画像コンテキストに条件付きシーン固有の深度分布を適応的に推定する,Learningable Predictorを利用した動的バインディング機構を提案する。 本モデルはシーン固有の深度分布の動的予測を実現する。
• 参考スコア（独自算出の注目度）: 12.712543564515094
• License:
• Abstract: Self-supervised monocular depth estimation remains challenging due to the loss of fine-grained details and limited adaptability to varying scene structures. In this paper, we propose SAP-Depth, a novel architecture based on Scene-Adaptive Probabilistic. Unlike traditional methods, we introduce a Dynamic Bins mechanism powered by a Learnable Parameter Predictor, which adaptively estimates scene-specific depth distributions conditioned on the input image context. Furthermore, a Bin-wise Probability Distribution Decoder is designed to effectively fuse multi-scale representations to predict dense depth probability distributions, significantly enhancing boundary sharpness and structural recovery. Through the collaborative coupling of these proposed modules, our model achieves dynamic prediction of scene-specific depth distributions. Extensive experiments on the KITTI dataset show that SAP-Depth outperforms existing state-of-the-art methods in accuracy, particularly in its ability to better preserve complex edge details. Further, tests on the Make3D dataset validate the model's excellent generalization capability and robustness.
• Abstract（参考訳）: 細かな細部が失われ、様々なシーン構造への適応性が制限されているため、自己監督型単眼深度推定は依然として困難である。 本稿では,シーン適応確率に基づく新しいアーキテクチャであるSAP-Depthを提案する。 従来の手法とは違って,入力画像コンテキストに条件付きシーン固有深さ分布を適応的に推定する,学習可能なパラメータ予測器を用いた動的バインディング機構を導入する。 さらに、Bin-wise Probability Distribution Decoderは、多スケール表現を効果的に融合して密度深度分布を予測し、境界のシャープネスと構造回復を大幅に向上させるように設計されている。 提案手法は,これらのモジュールの協調結合により,シーン固有深度分布の動的予測を実現する。 KITTIデータセットの大規模な実験によると、SAP-Depthは、特に複雑なエッジの詳細をより正確に保存する能力において、既存の最先端メソッドよりも優れている。 さらに、Make3Dデータセットのテストは、モデルの優れた一般化能力と堅牢性を検証する。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Adaptive Discrete Disparity Volume for Self-supervised Monocular Depth Estimation [0.0]
  本稿では,学習可能なモジュールAdaptive Discrete Disparity Volume (ADDV)を提案する。 ADDVは異なるRGB画像の深さ分布を動的に感知し、適応的なビンを生成することができる。 また、自己監督型条件下での正規化を実現するために、新しいトレーニング戦略(統一化と強化)も導入する。
  論文  参考訳（メタデータ） (2024-04-04T04:22:25Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。