論文の概要: E3tereo: Improving Stereo Matching at Depth Boundaries with Learned Geometric Edges

• arxiv url: http://arxiv.org/abs/2610.33704v1
• Date: Sat, 24 Oct 2026 14:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.424623
• Title: E3tereo: Improving Stereo Matching at Depth Boundaries with Learned Geometric Edges
• Title（参考訳）: E3tereo: 学習した幾何学的エッジによる深部境界におけるステレオマッチングの改善
• Abstract要約: E3Stereoは, 偏差監視から幾何学的エッジを学習し, これらの境界キューと背骨の偏差と画像の詳細を組み合わせ, 完全分解能の偏差補正を予測する。 Scene Flowデータセットでは、E3Stereoは深度境界におけるエンドポイントエラー(EPE)をRAFT-Stereo、IGEV、MonSterで9.5%-14.3%削減し、全体的なEPEも削減している。
• 参考スコア（独自算出の注目度）: 4.283434265290734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Depth boundaries remain a major source of error in stereo matching. For IGEV on Scene Flow, geometric edge pixels account for only 6% of evaluated pixels but about half of the total absolute disparity error. Photometric edges can respond to texture changes without corresponding depth discontinuities, making them unreliable cues for boundary refinement. We propose E3Stereo, which learns geometric edges from disparity supervision and combines these boundary cues with the backbone disparity and image details to predict full-resolution disparity corrections. The same edge map also emphasizes boundary errors during training, while joint optimization allows the edge predictor to adapt to disparity refinement. On the Scene Flow dataset, E3Stereo reduces end-point error (EPE) at depth boundaries by 9.5%-14.3% across RAFT-Stereo, IGEV, and MonSter, while also reducing overall EPE. After fine-tuning, our IGEV-based model improves upon IGEV on all eleven reported metrics across ETH3D, KITTI 2012, and KITTI 2015. The source code will be made publicly available upon acceptance.
• Abstract（参考訳）: 深さ境界はステレオマッチングにおける大きな誤差源である。 IGEV on Scene Flowでは、幾何学的エッジピクセルは評価されたピクセルの6%に過ぎず、絶対差の誤差の約半分を占める。 光度エッジは、それに対応する深さ不連続を伴わずにテクスチャ変化に反応し、境界修正のための信頼性の低い手がかりとなる。 E3Stereoは, 偏差監視から幾何学的エッジを学習し, これらの境界キューと背骨の偏差と画像の詳細を組み合わせ, 完全分解能の偏差補正を予測する。 同じエッジマップはトレーニング中の境界誤差も強調するが、共同最適化によりエッジ予測器は不均一な改善に適応できる。 Scene Flowデータセットでは、E3Stereoは深度境界におけるエンドポイントエラー(EPE)をRAFT-Stereo、IGEV、MonSterで9.5%-14.3%削減し、全体的なEPEも削減している。 微調整後、私たちのIGEVベースのモデルは、ETH3D、KITTI 2012、KITTI 2015で報告された11の指標でIGEVを改善する。 ソースコードは受理時に公開されます。

関連論文リスト

• Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
  Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。 独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。 Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
  論文  参考訳（メタデータ） (2026-06-11T17:48:38Z)
• Generalization Evaluation of Deep Stereo Matching Methods for UAV-Based Forestry Applications [5.266753902938501]
  Stereo, IGEV, IGEV, BridgeDepth, StereoAnywhere, DEFOM。 すべてのメソッドはFlow Sceneに特化してトレーニングされ、4つの標準ベンチマークを微調整することなく評価される。
  論文  参考訳（メタデータ） (2025-12-03T04:14:08Z)
• Edge-Boundary-Texture Loss: A Tri-Class Generalization of Weighted Binary Cross-Entropy for Enhanced Edge Detection [0.0]
  エッジ検出は、オブジェクト境界付近の非エッジピクセルの不明瞭な性質によってしばしば妨げられる。 我々は,エッジ境界テクスチャ損失(EBT)を提案する。これは,画素をエッジ,境界,テクスチャの3つのカテゴリに明確に分割し,それぞれに異なる監督重みを割り当てる新しい目的である。 複数のベンチマークにわたる大規模な実験は、EBT損失の量的および知覚的に優位性を示す。
  論文  参考訳（メタデータ） (2025-07-09T05:47:26Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• SR-Stereo & DAPE: Stepwise Regression and Pre-trained Edges for Practical Stereo Matching [2.8908326904081334]
  ドメインの相違を克服する新しい段階的回帰アーキテクチャを提案する。 疎基底真理で新しいドメインを適応するモデルのエッジ認識を高めるために,事前学習エッジ(DAPE)に基づくドメイン適応を提案する。 提案したSR-StereoとDAPEは,SceneFlow,KITTI,Middbury 2014,ETH3Dで広く評価されている。
  論文  参考訳（メタデータ） (2024-06-11T05:25:25Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• 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)
• PropagationNet: Propagate Points to Curve to Learn Structure Information [79.65125870257009]
  熱マップ回帰に基づく構造注入型顔アライメントアルゴリズムを提案する。 また,地中条件下での採鉱・採鉱の難しさを強調したFocal Wing Lossを提案する。 提案手法では,WFLWでは平均誤差が4.05%,300Wでは平均誤差が2.93%,COFWでは平均誤差が3.71%となる。
  論文  参考訳（メタデータ） (2020-06-25T11:08:59Z)

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。