論文の概要: Depth Anyviewpoint? Evaluating Monocular Depth Over Viewpoint Sequences
- arxiv url: http://arxiv.org/abs/2611.02203v1
- Date: Sun, 01 Nov 2026 21:01:53 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:35:09.473551
- Title: Depth Anyviewpoint? Evaluating Monocular Depth Over Viewpoint Sequences
- Title（参考訳）: ディップス・アズ・ポイント : ポイント・シークエンスにおけるモノラル・ディープスの評価
- Abstract要約: 移動カメラ位置の動画シーケンスを用いた単眼深度モデルのための新しい評価プロトコルを開発した。
この手法を実世界の多種多様なビデオシーケンス上で実証し、動きの構造を用いて深度モデル出力をメートル法深度値に固定できることを示した。
- 参考スコア（独自算出の注目度）: 4.0446322858061015
- License:
- Abstract: Monocular depth estimation aims to predict depth maps from single RGB images (forgoing the need for stereo camera pairs) and has seen impressive leaps in performance in recent work due to the introduction of affine-invariant losses and the use of foundation model features. These monocular depth models predict affine-invariant depth, which describes the relative positions of objects in the scene instead of absolute depth. While these models demonstrate strong performance on single image benchmarks and qualitatively consistent predictions in video, their effectiveness at preserving consistent spatial structure has been less thoroughly explored. Many potential real-world applications, such as handling video streams as input, rely on coherent three dimensional consistency in scenes. Further, anchoring relative depth predictions to a metric reference for a given scene is a key challenge for applying monocular depth models to real-world situations. We develop a novel evaluation protocol for monocular depth models using video sequences with moving camera positions to test the consistency of prediction across variation in viewpoint. We demonstrate this methodology over diverse, real-world video sequences where we are able to anchor depth model output to metric depth values using structure from motion. Our work demonstrates open challenges in the development of broadly applicable monocular depth foundation models, particularly with their ability to provide temporal consistency over long time frames. We also identify challenges in the straightforward adoption of structure-from-motion as a metric grounding tool for monocular depth estimation models.
- Abstract（参考訳）: 単眼深度推定は単一のRGB画像から深度マップを推定することを目的としており(ステレオカメラペアの必要性を念頭に)、アフィン不変の損失の導入と基礎モデル機能の使用により最近の研究で顕著な性能向上が見られた。
これらの単分子深度モデルは、絶対深度ではなく、シーン内の物体の相対的な位置を記述するアフィン不変深度を予測する。
これらのモデルは、単一画像のベンチマークとビデオにおける定性的に一貫した予測において強い性能を示すが、一貫した空間構造を保存するためのそれらの効果は、徹底的に調べられていない。
ビデオストリームを入力として扱うような現実世界のアプリケーションの多くは、シーン内のコヒーレントな3次元の一貫性に依存している。
さらに、あるシーンのメートル法基準に対する相対深度予測を固定することは、現実世界の状況にモノクロ深度モデルを適用する上で重要な課題である。
移動カメラ位置の動画シーケンスを用いた単眼深度モデルのための新しい評価プロトコルを開発し,視点の変動による予測の整合性を検証する。
この手法を実世界の多種多様なビデオシーケンス上で実証し、動きの構造を用いて深度モデル出力をメートル法深度値に固定できることを示した。
我々の研究は、広範に適用可能な単分子深度基礎モデルの開発におけるオープンな課題、特に長期フレーム上で時間的一貫性を提供する能力を示す。
また、単眼深度推定モデルのための計量基底ツールとして、構造移動の直接的導入の課題も挙げる。
関連論文リスト
- Sphere-Depth: A Benchmark for Depth Estimation Methods with Varying Spherical Camera Orientations [2.1232547053555826]
搭載されている球面カメラは、現実世界のロボットプラットフォームで意図しないポーズのバリエーションを体験することができる。
Sphere-Depthと呼ばれる新しい公開ベンチマークを導入し、単分子深度推定モデルのロバスト性を体系的に評価する。
実験により、球面画像を処理するために明示的に設計されたモデルでさえ、かなりの性能劣化を示すことが示された。
論文 参考訳（メタデータ） (2026-04-25T20:02:09Z) - A Simple yet Effective Test-Time Adaptation for Zero-Shot Monocular Metric Depth Estimation [46.037640130193566]
センサや低分解能LiDARなどの技術によって提供される3Dポイントや、IMUが提示したポーズによる構造移動を用いて、奥行きの予測を再現する新しい手法を提案する。
実験では, ゼロショット単角距離推定法, 微調整法と比較しての競合性, 深度補修法よりも頑健さが向上した。
論文 参考訳（メタデータ） (2024-12-18T17:50:15Z) - Align3R: Aligned Monocular Depth Estimation for Dynamic Videos [50.28715151619659]
動的ビデオの時間的一貫した深度マップを推定するために,Align3Rと呼ばれる新しいビデオ深度推定法を提案する。
我々のキーとなる考え方は、最近のDUSt3Rモデルを用いて、異なる時間ステップの単分子深度マップを整列させることである。
実験により、Align3Rは一貫したビデオ深度を推定し、カメラはベースライン法よりも優れた性能を持つ単眼ビデオのポーズを示す。
論文 参考訳（メタデータ） (2024-12-04T07:09:59Z) - NVDS+: Towards Efficient and Versatile Neural Stabilizer for Video Depth Estimation [58.21817572577012]
ビデオ深度推定は時間的に一貫した深度を推定することを目的としている。
プラグ・アンド・プレイ方式で様々な単一画像モデルから推定される不整合深さを安定化するNVDS+を導入する。
このデータセットには、200万フレーム以上の14,203本のビデオが含まれている。
論文 参考訳（メタデータ） (2023-07-17T17:57:01Z) - SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for
Dynamic Scenes [58.89295356901823]
自己監督型単眼深度推定は静的な場面で顕著な結果を示した。
トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。
単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。
我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
論文 参考訳（メタデータ） (2022-11-07T16:17:47Z) - Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection
Consistency [114.02182755620784]
本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。
筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
論文 参考訳（メタデータ） (2021-02-04T14:26:42Z) - Self-Supervised Joint Learning Framework of Depth Estimation via
Implicit Cues [24.743099160992937]
深度推定のための自己教師型共同学習フレームワークを提案する。
提案するフレームワークは,KITTIおよびMake3Dデータセット上での最先端(SOTA)よりも優れている。
論文 参考訳（メタデータ） (2020-06-17T13:56:59Z)
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。