論文の概要: RoSAMDepth: Robust Self-supervised Depth Estimation Leveraging Segment Anything Model

• arxiv url: http://arxiv.org/abs/2610.38587v1
• Date: Wed, 28 Oct 2026 10:16:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:08:40.571921
• Title: RoSAMDepth: Robust Self-supervised Depth Estimation Leveraging Segment Anything Model
• Title（参考訳）: RoSAMDepth:ロバストな自己教師型深さ推定セグメンテーションモデル
• Abstract要約: 既存の手法の多くは、オブジェクトレベルの情報を考慮せずに深さを推定する。 本稿では,ロSAMDepthを提案する。ロSAMDepthは,ロバストな自己監督深度推定を支援する新しいフレームワークである。 提案手法は,よりシャープで高精度な深度予測を行い,常に最先端の手法より優れる。
• 参考スコア（独自算出の注目度）: 13.582136731196057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust depth estimation aims to maintain high-quality depths across diverse conditions. However, most existing methods estimate depth without taking into account the object-level information. As a result, the predicted depth may easily deviate within objects and become blurred under adverse conditions. To overcome this weakness, we propose RoSAMDepth, a novel framework that can assist robust self-supervised depth estimation in leveraging rich and diverse object-level priors from the Segment Anything Model (SAM). We focus on incorporating object-level information across three key aspects: a segment-guided representation contrasting method that injects object-level awareness into the feature representation space; an adaptive regional outlier masking strategy combined with a regional Gaussian likelihood loss that enforces regional depth smoothness; and an object-level reliability estimation strategy that mitigates the influence of unreliable supervision. Extensive experiments across multiple datasets and diverse weather conditions demonstrate that our method produces sharper, more accurate depth predictions, consistently outperforming state-of-the-art methods. Our code is available at https://github.com/xagao/RoSAMDepth.
• Abstract（参考訳）: ロバスト深さ推定は、様々な条件で高品質な深さを維持することを目的としている。 しかし、既存の手法のほとんどは、オブジェクトレベルの情報を考慮せずに深さを推定する。 結果として、予測された深さはオブジェクト内で容易に逸脱し、悪条件下ではぼやけてしまう。 この弱点を克服するために、私たちは、Segment Anything Model (SAM) からリッチで多様なオブジェクトレベルの事前情報を活用する際に、堅牢な自己教師付き深さ推定を支援する新しいフレームワークであるRoSAMDepthを提案する。 本稿では,特徴表現空間にオブジェクトレベルの認識を注入するセグメント誘導表現コントラスト手法,局所的な奥行きの滑らかさを強制する地域ガウス的可能性損失と組み合わせた適応型地域外れマスキング戦略,信頼できない監督の影響を緩和するオブジェクトレベルの信頼度推定戦略の3つの重要な側面にオブジェクトレベルの情報を統合することに焦点を当てる。 複数のデータセットにわたる広範囲な実験と多様な気象条件により、我々の手法はより鋭く、より正確な深度予測を導き、一貫して最先端の手法より優れることを示した。 私たちのコードはhttps://github.com/xagao/RoSAMDepth.comで公開されています。

関連論文リスト

• 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)
• Nearshore Underwater Target Detection Meets UAV-borne Hyperspectral Remote Sensing: A Novel Hybrid-level Contrastive Learning Framework and Benchmark Dataset [6.832892497880372]
  UAV搭載ハイパースペクトルリモートセンシングは、水中目標検出(UTD)のための有望なアプローチとして登場した 近海環境におけるスペクトル歪みによって妨げられ、従来の超スペクトルUTD法の精度を損なう。 沿岸域における強靭なHUTDのための自己評価学習パラダイムとコントラスト学習を統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-20T12:25:30Z)
• ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
  本研究では,新しい単分子深度推定法であるScaleDepthを提案する。 提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。 本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
  論文  参考訳（メタデータ） (2024-07-11T05:11:56Z)
• Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging Scenarios [103.72094710263656]
  本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。 本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。 得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-19T04:39:16Z)
• Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
  実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。 画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。 局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
  論文  参考訳（メタデータ） (2024-02-14T04:07:44Z)
• MaskingDepth: Masked Consistency Regularization for Semi-supervised Monocular Depth Estimation [38.09399326203952]
  MaskingDepthは単眼深度推定のための新しい半教師付き学習フレームワークである。 強く拡張された未ラベルデータと、弱い拡張された未ラベルデータから派生した擬似ラベルとの間の一貫性を強制する。
  論文  参考訳（メタデータ） (2022-12-21T06:56:22Z)
• DesNet: Decomposed Scale-Consistent Network for Unsupervised Depth Completion [28.91716162403531]
  教師なし深度補完は、接地トラスアノテーションを使わずにスパースから密集した深度を回復することを目的としている。 本研究では,絶対深度を相対深度予測とグローバルスケール推定に分解するDSCL戦略を提案する。 提案手法は,室内のNYUv2データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-11-20T14:56:18Z)
• Diversity Matters: Fully Exploiting Depth Clues for Reliable Monocular 3D Object Detection [37.37316176663782]
  本研究では,モノクロ3次元画像のサブタスクから視覚的手がかりを完全に探索する深度問題解決システムを提案する。 提案手法は,KITTIの3次元オブジェクト検出ベンチマークにおいて,テスト分割のモードレベルに対して,現行のベストメソッドを20%以上上回っている。
  論文  参考訳（メタデータ） (2022-05-19T08:12:55Z)
• Geometry Uncertainty Projection Network for Monocular 3D Object Detection [138.24798140338095]
  本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。 具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。 トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-29T06:59:07Z)
• Improving Monocular Depth Estimation by Leveraging Structural Awareness and Complementary Datasets [21.703238902823937]
  視覚特徴の空間的関係を利用するために,空間的注意ブロックを有する構造認識ニューラルネットワークを提案する。 第2に,一様点対に対する大域的局所的相対損失を導入し,予測における空間的制約を増大させる。 第3に、先行手法の障害事例の分析に基づいて、挑戦シーンの新たなHard Case (HC) Depthデータセットを収集します。
  論文  参考訳（メタデータ） (2020-07-22T08:21:02Z)

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。