論文の概要: Zoom In, Scale Out: Metric Depth Models Mistake Digital Zoom for Moving Closer
- arxiv url: http://arxiv.org/abs/2611.17903v1
- Date: Fri, 13 Nov 2026 08:47:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.340198
- Title: Zoom In, Scale Out: Metric Depth Models Mistake Digital Zoom for Moving Closer
- Title(参考訳): ズームイン、スケールアウト:デジタルズームが近づきつつある
- Abstract要約: 多くの新しいAIモデルは、1枚の写真からの距離を推定する。
そのためには、カメラが撮った写真も調べなければならない。
デジタルズーム(Digital zoom)だ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many new AI models estimate how far away things are, in metres, from a single photo. To do this they must also work out what camera took the photo. We check whether they really do with a simple test: digital zoom, that is, cropping a photo and enlarging the crop back to full size. Zooming moves nothing in the scene, so a correct model should give the same distance for every point still in the picture. The test is free, exact and needs no labels. Two numbers describe a model's reaction: its depth changes like $s^{-α}$ (ideal $α=0$) and its focal-length estimate like $s^β$ (ideal $β=1$), for zoom factor $s$. On 800 images from KITTI, NYUv2 and DIODE, the widely used Depth Anything V2 has $α=0.95$: it treats a zoomed photo almost as if the camera had moved closer, because it judges distance mainly from how large things look. Models that also predict the camera remove only part of this error ($α\approx0.31$-$0.36$), because their focal estimate grows too little. Given the true camera, Depth Pro and DA3-Nested keep their depth ($α\approx0$), so the error lies in their camera estimate. The reason: a zoomed photo is, pixel for pixel, a normal photo of a scene squashed in depth, so size alone cannot tell the two apart, and a focal estimator trained by regression stays close to the cameras it saw in training. Undoing this needs no labels or training and makes Depth Pro pass the test ($α=0.04$) at almost no cost on normal photos. Controls, including a real optical zoom lens, rule out blur and resizing artefacts. Finally, label-free fine-tuning for self-consistency lowers $α$ to 0.05 on KITTI and 0.07 on NYUv2 once a "blurry means zoomed" shortcut is removed; we report what this costs on normal and unseen photos.
- Abstract(参考訳): 多くの新しいAIモデルは、1枚の写真からの距離を推定する。
そのためには、カメラが撮った写真も調べなければならない。
デジタルズーム(Digital zoom)、つまり、写真をトリミングして、作物をフルサイズに拡大することです。
ズームはシーン内で何も動きませんので、正しいモデルでは、画像内のすべてのポイントに対して同じ距離を与えなければなりません。
テストは無料で、正確なもので、ラベルは必要ない。
2つの数字はモデルの反応を記述している: その深さは$s^{-α}$ (ideal $α=0$) のように変化し、焦点長は $s^β$ (ideal $β=1$) である。
KITTI、NYUv2、DIODEの800枚の画像では、広く使われているDepth Anything V2が$α=0.95$である。
カメラを予測しているモデルは、焦点推定が小さすぎるため、このエラーの一部を除去する(α\approx0.31$-0.36$)。
真のカメラは、Depth ProとDA3-Nestedだ(α\approx0$)。
ズームされた写真はピクセルのピクセルで、シーンの通常の写真は奥行きがきくので、サイズだけでは2つを区別できないし、レグレッションによって訓練された焦点推定器は、トレーニング中に見たカメラに近づいたままだ。
ラベルやトレーニングを必要とせず、Depth Proがテストに合格する(α=0.04$)。
リアルの光学ズームレンズを含むコントロールは、ぼやけを排除し、アーチファクトを縮小します。
最後に、ラベルのない自己整合性のための微調整は、KITTIではαドルから0.05ドル、NYUv2では0.07ドルに値下げされる。
関連論文リスト
- The Camera Inside the Editor: Reading the Implicit Camera of Image Editors with Painted Calibration Patterns [0.0]
カメラインストラクションをベースとした画像エディターが写真に絵を描き込むのかは分かっていない。
Qwen-Image-Edit-2511は、その消滅点を満たすタイルの縁を0.26度の範囲で塗る。
Qwen-Image-Edit-2511は120枚のレンダリングされたカメラにタイルの縁を塗り、その点が0.26度の範囲で消える。
論文 参考訳(メタデータ) (2026-09-29T14:54:00Z) - Efficient Hybrid Zoom using Camera Fusion on Mobile Phones [26.7287264520133]
モバイルデバイス上でのハイブリットズーム超解像システムを提案する。
モバイルプラットフォーム上で500msで12メガピクセル画像を生成する。
論文 参考訳(メタデータ) (2024-01-02T23:28:20Z) - Camera-Independent Single Image Depth Estimation from Defocus Blur [6.516967182213821]
光物理方程式を用いて、複数のカメラ関連パラメータがデフォーカスのぼかしにどのように影響するかを示す。
我々は、デフォーカスブラーモデルから奥行きのカメラ独立性能をテストするために、合成データセットを作成する。
論文 参考訳(メタデータ) (2023-11-21T23:14:42Z) - FS-Depth: Focal-and-Scale Depth Estimation from a Single Image in Unseen
Indoor Scene [57.26600120397529]
実際の(見えない)屋内シーンの単一の画像から絶対深度マップを予測するのには、長年不適切な問題だった。
本研究では,未確認屋内シーンの単一画像から絶対深度マップを正確に学習するための焦点・スケール深度推定モデルを開発した。
論文 参考訳(メタデータ) (2023-07-27T04:49:36Z) - Towards Accurate Reconstruction of 3D Scene Shape from A Single
Monocular Image [91.71077190961688]
まず、未知のスケールまで深さを予測し、単一の単眼画像からシフトする2段階のフレームワークを提案する。
次に、3Dポイントの雲のデータを利用して、奥行きの変化とカメラの焦点距離を予測し、3Dシーンの形状を復元します。
我々は9つの未知のデータセットで深度モデルを検証し、ゼロショット評価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) (2022-08-28T16:20:14Z) - FisheyeEX: Polar Outpainting for Extending the FoV of Fisheye Lens [84.12722334460022]
魚眼レンズは、広視野(FoV)のため、計算写真や運転支援における応用が増大する
本稿では,魚眼レンズのFoVを拡張した魚眼EX法を提案する。
以上の結果から,本手法は従来の魚眼画像よりも27%多く,最先端の手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-06-12T21:38:50Z) - SAMURAI: Shape And Material from Unconstrained Real-world Arbitrary
Image collections [49.3480550339732]
完全に未知のキャプチャ条件下でのオブジェクトの逆レンダリングは、コンピュータビジョンとグラフィックスにおける根本的な課題である。
形状, BRDF, 画像当たりのカメラのポーズと照明を推定するための共同最適化フレームワークを提案する。
本手法は,オブジェクトのオンライン画像収集に利用し,AR/VRなどのいくつかのユースケースに対して,再生可能な3Dアセットを生成する。
論文 参考訳(メタデータ) (2022-05-31T13:16:48Z) - Fast Autofocusing using Tiny Networks for Digital Holographic Microscopy [0.5057148335041798]
自己焦点を回帰問題としてキャストするために, ディープラーニング(DL)法を提案し, 実験および模擬ホログラム上で実験を行った。
実験により、予測焦点距離$Z_RmathrmPred$は精度1.2$mu$mで正確に推定されることが示された。
モデルは、推論毎に25ミリ秒未満の、CPU上のアート推論時間の状態に達する。
論文 参考訳(メタデータ) (2022-03-15T10:52:58Z) - Moving SLAM: Fully Unsupervised Deep Learning in Non-Rigid Scenes [85.56602190773684]
従来のカメラ幾何学を用いて異なる視点からソースイメージを再レンダリングするビュー合成という考え方に基づいている。
映像中の合成画像と対応する実画像との誤差を最小化することにより、ポーズや深さを予測するディープネットワークを完全に教師なしで訓練することができる。
論文 参考訳(メタデータ) (2021-05-05T17:08:10Z) - PhotoApp: Photorealistic Appearance Editing of Head Portraits [97.23638022484153]
本稿では,ポートレート画像におけるカメラ視点とシーン照明の高品質な直感的編集手法を提案する。
ほとんどの編集アプローチは、光やカメラステージといった設定でキャプチャされたトレーニングデータを使用した教師あり学習に依存している。
StyleGANの潜在空間で学習する監督問題を設計します。
これは、教師付き学習と生成的敵対的モデリングのベストを組み合わせる。
論文 参考訳(メタデータ) (2021-03-13T08:59:49Z)
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。