論文の概要: UA-Depth: Uncertainty-Aware Depth Restoration for Material-Agnostic Object Manipulation

• arxiv url: http://arxiv.org/abs/2611.01645v1
• Date: Sun, 01 Nov 2026 06:47:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:04.448682
• Title: UA-Depth: Uncertainty-Aware Depth Restoration for Material-Agnostic Object Manipulation
• Title（参考訳）: UA-Depth: 物質非依存な物体操作のための不確かさを意識した深さ復元
• Abstract要約: 本稿では,不確実性を考慮した深度復元フレームワークUA-Depthを提案する。 奥行きや画素の不確かさを反復的に調整し、不確実性のある特徴を使って信頼性の低いキューを抑圧し、安定した更新を行う。 これは代表的ベースラインの中で最高の平均ランクを獲得し、特に透明で反射的なオブジェクトが支配するデータセットに強い利益をもたらしている。
• 参考スコア（独自算出の注目度）: 60.88337308768186
• License:
• Abstract: Robotic manipulation requires accurate metric depth, yet commodity RGB-D cameras often fail on non-Lambertian objects such as transparent, reflective, and translucent materials, producing holes, structured noise, and biased depth. Most restoration methods produce only a single depth map, treating noisy and reliable regions uniformly for downstream tasks while ignoring regional uncertainty. We present UA-Depth, an uncertainty-aware depth restoration framework that iteratively co-refines depth and pixel-wise uncertainty, and uses uncertainty-gated features to suppress unreliable cues for stable updates. To strengthen zero-shot behavior, UA-Depth leverages a frozen depth foundation model as a prior to initialize missing or unreliable depth, and applies two-stage MAD-weighted log-depth scale normalization to reduce outlier bias in relative-to-metric alignment. We introduce an eight-dataset zero-shot benchmark across diverse scenes, materials, and sensors. Across these benchmarks, UA-Depth achieves the best mean rank among representative baselines, with particularly strong gains on datasets dominated by transparent and reflective objects. Beyond depth metrics, we demonstrate downstream improvements in category-level 6D pose estimation and 6D grasp synthesis by exploiting the predicted uncertainty. \emph{Code, models, and data for training and evaluation will be released upon publication.}
• Abstract（参考訳）: ロボットの操作は正確なメートル法深度を必要とするが、コモディティなRGB-Dカメラは透明、反射性、半透明な材料のような非ランベルトの物体にしばしば失敗し、穴、構造されたノイズ、偏りの深さを発生させる。 ほとんどの修復法は, 単一深度マップのみを生成し, 下流の作業に対して一様にノイズや信頼性のある領域を処理し, 地域的不確実性を無視している。 本稿では,不確実性を考慮した深度復元フレームワークUA-Depthについて述べる。 ゼロショット挙動を強化するため、UA-Depthは凍結深度基礎モデルを利用して、欠落または信頼できない深度を初期化し、2段階のMAD重み付き対数深さスケール正規化を適用して、相対-計量アライメントにおける外れ値バイアスを低減する。 さまざまなシーン、材料、センサーにまたがる8データセットのゼロショットベンチマークを導入する。 これらのベンチマーク全体では、UA-Depthは代表的ベースラインの中で最高の平均ランクを獲得し、特に透明で反射的なオブジェクトが支配するデータセットに強い利益をもたらしている。 深度測定の他に、予測不確実性を利用してカテゴリレベルの6次元ポーズ推定と6次元グリップ合成の下流改善を示す。 トレーニングと評価のためのモデルとデータが公開される。 ※

関連論文リスト

• AISPO: Enhancing Depth Reliability for Robotic Manipulation of Non-Lambertian Objects via Affine-Invariant Shape Prior [27.63005010032789]
  AISPOは,難解な検知条件下での操作の深度信頼性を向上させるための深度補完フレームワークである。 平均深度精度に主眼を置く手法とは異なり,本手法は予測深度マップの物理的妥当性と構造的整合性を強調する。
  論文  参考訳（メタデータ） (2026-06-24T07:37:11Z)
• AnchorD: Metric Grounding of Monocular Depth Using Factor Graphs [16.622717763906262]
  現在利用可能な深度センサーは、透明、スペクトル、一般のランベルト面の誤差を生じやすい。 本研究では,深度基礎モデルから単分子深度推定の先行値をアンカーする学習自由深度接地フレームワークを提案する。 本手法はパッチワイドアフィンアライメントを行い,実世界深度で局所的に単分子予測を行う。
  論文  参考訳（メタデータ） (2026-05-04T14:48:52Z)
• DidSee: Diffusion-Based Depth Completion for Material-Agnostic Robotic Perception and Manipulation [33.87636820220007]
  商用のRGB-Dカメラは、非ランベルト的対象に対するノイズの多い不完全な深度マップをしばしば生成する。 我々は,非ランベルト的オブジェクト上での深度補完のための拡散に基づくフレームワークである textbfDidSee を提案する。 DidSeeは、複数のベンチマークで最先端のパフォーマンスを達成し、堅牢な現実世界の一般化を示し、下流タスクを効果的に改善する。
  論文  参考訳（メタデータ） (2025-06-26T06:18:42Z)
• Revisiting Gradient-based Uncertainty for Monocular Depth Estimation [10.502852645001882]
  単分子深度推定モデルに対する勾配に基づく不確実性推定を導入する。 我々は,本手法が再トレーニングを伴わずに不確実性を決定するのに有効であることを実証した。 特に、単分子配列で訓練されたモデルにおいて、最も不確実性が高いため、本手法は関連するアプローチよりも優れる。
  論文  参考訳（メタデータ） (2025-02-09T17:21:41Z)
• RGB-based Category-level Object Pose Estimation via Decoupled Metric Scale Recovery [72.13154206106259]
  本研究では、6次元のポーズとサイズ推定を分離し、不完全なスケールが剛性変換に与える影響を緩和するパイプラインを提案する。 具体的には,事前学習した単分子推定器を用いて局所的な幾何学的情報を抽出する。 別個のブランチは、カテゴリレベルの統計に基づいてオブジェクトのメートル法スケールを直接復元するように設計されている。
  論文  参考訳（メタデータ） (2023-09-19T02:20:26Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)

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。