論文の概要: Zero-Shot Monocular Depth Estimation for Visual Perception in Lower-Limb Prostheses

• arxiv url: http://arxiv.org/abs/2610.35018v1
• Date: Mon, 26 Oct 2026 08:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.79657
• Title: Zero-Shot Monocular Depth Estimation for Visual Perception in Lower-Limb Prostheses
• Title（参考訳）: 下肢義肢の視覚知覚におけるゼロショット単眼深度推定
• Abstract要約: 人工膝関節の深度知覚をエミュレートして評価するための下肢補綴データセットを提案する。 このデータセットを用いて、4つの最先端のモノクル深度推定基礎モデルを評価する。 その結果, 補綴的観点からの単眼深度推定性能のシステマティックベンチマークが得られた。
• 参考スコア（独自算出の注目度）: 7.495671743124773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular depth estimation has advanced rapidly with the development of foundation models that demonstrate strong zero-shot generalisation across diverse visual domains. However, the applicability of these models to visual perception for lower-limb prosthetics remains largely unexplored. Reliable depth perception is particularly important for prosthesis users, who often experience significant challenges when navigating stairs, uneven terrain, and other complex environments. To address this gap, we introduce the Lower-Limb Prosthesis (LP) dataset, a benchmark designed to evaluate depth perception from an emulated knee-level prosthetic viewpoint. Using this dataset, we evaluate four state-of-the-art monocular depth estimation foundation models. Our results provide the first systematic benchmark of monocular depth estimation performance from a prosthetic viewpoint, while highlighting both the challenges and the potential of deploying foundation models in prosthetic perception systems. The code and dataset are available at https://github.com/Ishivijay/lp_dataset.
• Abstract（参考訳）: 単眼深度推定は、多様な視覚領域にまたがる強力なゼロショット一般化を示す基礎モデルの開発によって急速に進歩した。 しかし、これらのモデルが下肢義肢の視覚知覚に適用可能であることは、まだ明らかになっていない。 信頼性の高い深度知覚は、階段、不均一な地形、その他の複雑な環境をナビゲートする際に重要な課題を経験する、義肢使用者にとって特に重要である。 このギャップに対処するために, 人工膝関節の深度知覚を評価するためのベンチマークであるLow-Limb Prosthesis(LP)データセットを導入した。 このデータセットを用いて、4つの最先端のモノクル深度推定基礎モデルを評価する。 本研究は, 単分子深度推定性能を補綴的視点から評価し, 基礎モデルを補綴的知覚システムに展開する上での課題と可能性を強調した。 コードとデータセットはhttps://github.com/Ishivijay/lp_dataset.comで公開されている。

関連論文リスト

• Monocular Depth Estimation from a Single Image: Progress and Opportunities [51.389814411876294]
  この調査は、初期学習に基づく手法からトランスフォーメーション基盤モデルの出現まで、この分野の進化を辿るものである。 本稿では,視覚SLAM,コンテンツ生成,ロボット知覚などのアプリケーションへの深度推定の統合を強調した。
  論文  参考訳（メタデータ） (2026-09-01T12:48:10Z)
• Zero-shot Monocular Metric Depth for Endoscopic Images [9.205799953828896]
  そこで本研究では,実画像と非可視画像で評価された最先端(メトリックおよび相対)深度推定モデルのベンチマークについて述べる。 我々は,地上の真理メートル法深度とセグメンテーションマスクを組み合わせた内視鏡手術器具の新たな合成データセット(Endo Synth)を公表した。 合成データセットを用いた微調整深度基礎モデルでは、ほとんど見えない実データの精度をかなりのマージンで向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-23T04:56:25Z)
• EndoGMDE: Generalizable Monocular Depth Estimation with Mixture of Low-Rank Experts for Diverse Endoscopic Scenes [3.9727779638306484]
  本研究では,多彩な内視鏡における単分子深度推定のための新しい自己監督型フレームワークを提案する。 まず,異なる組織を持つ内視鏡的シーンの多様な特徴を考慮すると,ダイナミックな低ランクの専門家によるブロックワイドな混合が提案されている。 提案モジュールでは,少量のトレーニング可能なパラメータを持つ異なる専門家が重み付き推論に対して適応的に選択される。 提案手法はSCAREDデータセットとSimColデータセットの最先端処理よりも優れている。
  論文  参考訳（メタデータ） (2025-09-01T07:45:12Z)
• Towards Depth Foundation Model: Recent Trends in Vision-Based Depth Estimation [96.1872246747684]
  深さ推定は3Dコンピュータビジョンの基本課題であり、3D再構成、自由視点レンダリング、ロボティクス、自律運転、AR/VR技術といった応用に不可欠である。 LiDARのようなハードウェアセンサーに依存する従来の方法は、しばしば高コスト、低解像度、環境感度によって制限され、現実のシナリオで適用性を制限する。 ビジョンベースの手法の最近の進歩は有望な代替手段を提供するが、低容量モデルアーキテクチャやドメイン固有の小規模データセットへの依存のため、一般化と安定性の課題に直面している。
  論文  参考訳（メタデータ） (2025-07-15T17:59:59Z)
• Occlusion-Aware Self-Supervised Monocular Depth Estimation for Weak-Texture Endoscopic Images [1.1084686909647639]
  内視鏡的シーンに適した自己教師付き単眼深度推定ネットワークを提案する。 既存の方法は正確ではあるが、通常は一貫した照明を仮定する。 これらの変化は、誤った幾何学的解釈と信頼できない自己監督信号をもたらす。
  論文  参考訳（メタデータ） (2025-04-24T14:12:57Z)
• Multi-view Reconstruction via SfM-guided Monocular Depth Estimation [92.89227629434316]
  マルチビュー幾何再構成のための新しい手法を提案する。 深度推定プロセスに、より強力なマルチビューであるSfM情報を組み込む。 本手法は, 従来の単分子深度推定法と比較して, 深度推定の精度を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-18T17:54:06Z)
• DepthCues: Evaluating Monocular Depth Perception in Large Vision Models [37.719313926298085]
  本研究では,大規模な事前学習型視覚モデルにおいて,暗黙の深度監視を伴わない深度知覚がどのように起こるかを検討する。 深度キュー理解の評価を目的とした新しいベンチマークDepthCuesを導入する。 我々の分析は、より最近の大型モデルで人間のような深度が現れることを示している。
  論文  参考訳（メタデータ） (2024-11-26T12:44:17Z)
• EndoDepth: A Benchmark for Assessing Robustness in Endoscopic Depth Prediction [1.7243216387069678]
  本研究では,単眼深度予測モデルのロバスト性を評価するための評価フレームワークであるEndoDepthベンチマークを提案する。 本稿では,内視鏡的シナリオにおけるモデルの堅牢性を評価するために,一貫した,特に設計された評価手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T04:18:14Z)
• ToDER: Towards Colonoscopy Depth Estimation and Reconstruction with Geometry Constraint Adaptation [67.22294293695255]
  そこで本稿では,ToDERという双方向適応アーキテクチャを用いて,高精度な深度推定を行う新しいパイプラインを提案する。 以上の結果から,本手法は実写および合成大腸内視鏡ビデオの深度マップを精度良く予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-23T14:24:26Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• On the Sins of Image Synthesis Loss for Self-supervised Depth Estimation [60.780823530087446]
  画像合成の改善は深度推定の改善を必要としないことを示す。 この発散現象は、データから生じるアレラトリックな不確実性に起因している。 この観察された発散は、以前に報告されたり、深く研究されたりしていない。
  論文  参考訳（メタデータ） (2021-09-13T17:57:24Z)

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。