マルチビュー深度推定は、さまざまなベンチマークテストで高いパフォーマンスを達成しました。ただし、現在のほぼすべてのマルチビュー システムは、特定の理想的なカメラの姿勢に依存しており、自動運転などの現実世界の多くのシナリオでは利用できません。この研究では、さまざまなノイズの多い姿勢設定の下で深度推定システムを評価するための新しい堅牢性ベンチマークを提案します。驚くべきことに、現在のマルチビュー深度推定方法またはシングルビューとマルチビューの融合方法は、ノイズの多いポーズ設定が与えられると失敗することがわかりました。この課題に対処するために、ここでは、信頼性の高いマルチビューとシングルビューの結果を適応的に統合してロバストで正確な深度推定を実現する、シングルビューとマルチビューの融合深度推定システムである AFNet を提案します。適応融合モジュールは、パーセル信頼度マップに基づいて 2 つのブランチ間の信頼度の高い領域を動的に選択することによって融合を実行します。したがって、テクスチャのないシーン、不正確なキャリブレーション、動的オブジェクト、その他の劣化または困難な条件に直面した場合、システムはより信頼性の高いブランチを選択する傾向があります。堅牢性テストでは、この方法は最先端のマルチビューおよびフュージョン方法を上回ります。さらに、最先端のパフォーマンスが、困難なベンチマーク (KITTI および DDAD) で達成されます。
論文リンク: https://arxiv.org/pdf/2403.07535.pdf
論文名: 自動運転のためのシングルビューとマルチビューの深度の適応的融合
画像深度推定は、コンピューター ビジョンの分野において常に課題であり、幅広い用途があります。ビジョンベースの自動運転システムでは、奥行き認識が鍵となり、道路上の物体を理解し、環境の 3D マップを構築するのに役立ちます。さまざまな視覚的な問題にディープ ニューラル ネットワークが適用されるにつれ、畳み込みニューラル ネットワーク (CNN) に基づく方法が深度推定タスクの主流になりました。
入力形式に応じて、主にマルチビュー深度推定とシングルビュー深度推定に分けられます。深度を推定するためのマルチビュー手法の背後にある仮定は、正しい深度、カメラのキャリブレーション、およびカメラのポーズが与えられた場合、ビュー全体のピクセルが類似しているはずであるということです。彼らはエピポーラ幾何学に依存して高品質の深さ測定を三角測量します。ただし、マルチビュー手法の精度と堅牢性は、カメラの幾何学的構成とビュー間の対応するマッチングに大きく依存します。まず、カメラは三角測量を可能にするために十分に平行移動する必要があります。自動運転シナリオでは、自車が信号で停止したり、前進せずに曲がったりする可能性があり、三角測量が失敗する可能性があります。さらに、マルチビュー手法には、自動運転シナリオでよく見られる動的ターゲットとテクスチャのない領域の問題があります。もう 1 つの問題は、移動車両における SLAM 姿勢の最適化です。既存の SLAM 方式では、困難で避けられない状況は言うまでもなく、ノイズは避けられません。たとえば、ロボットや自動運転車は再調整なしで何年も配備される可能性があり、その結果、ポーズに騒音が発生する可能性があります。対照的に、シングルビュー手法はシーンの意味的理解と透視投影キューに依存するため、テクスチャのない領域や動的オブジェクトに対してより堅牢であり、カメラのポーズに依存しません。ただし、スケールが曖昧であるため、そのパフォーマンスは依然としてマルチビュー方式に比べてはるかに遅れています。ここでは、自動運転シナリオで堅牢かつ正確な単眼ビデオ深度推定を行うために、これら 2 つの方法の利点をうまく組み合わせることができるかどうかを検討する傾向があります。
AFNet の構造は次のとおりで、シングルビュー ブランチ、マルチビュー ブランチ、アダプティブ フュージョン (AF) モジュールの 3 つの部分で構成されます。 2 つのブランチは特徴抽出ネットワークを共有し、独自の予測マップと信頼マップ (つまり、 、 、および ) を持ち、AF モジュールによって融合されて、最終的な正確でロバストな予測が得られます。AF モジュールの緑色の背景は、単一のブランチを表します。 -view ブランチとマルチビュー ブランチの出力。
損失関数:
バックボーン特徴をマージし、深い特徴 D を取得するために、AFNet はマルチスケール デコーダーを構築します。このプロセスでは、Ds の最初の 256 チャネルに対してソフトマックス演算が実行され、深度確率ボリューム Ps が取得されます。深度特徴の最後のチャネルは、単一ビューの深度信頼度マップとして使用されます。最後に、単一ビューの深度がソフト重み付けによって計算されます。
マルチビュー ブランチは、シングルビュー ブランチとバックボーンを共有して、参照画像とソース画像。デコンボリューションを採用して、低解像度の特徴を 4 分の 1 の解像度にデコンボリューションし、それらをコスト ボリュームの構築に使用される最初の 4 分の 1 の特徴と組み合わせます。フィーチャ ボリュームは、ソース フィーチャを仮想平面にラップし、その後に参照カメラを配置することによって形成されます。あまり多くの情報を必要としない堅牢なマッチングの場合、特徴のチャネル次元が計算で保持され、4D コスト ボリュームが構築され、2 つの 3D 畳み込み層によってチャネル数が 1 に減ります。
深度仮説のサンプリング方法はシングルビュー ブランチと一致していますが、サンプル数は 128 のみです。その後、スタックされた 2D 砂時計ネットワークを使用して正則化され、最終的なマルチビュー コストが取得されます。音量。シングルビュー特徴の豊富な意味情報とコスト正則化によって失われた詳細を補うために、残差構造を使用してシングルビュー深度特徴 Ds とコスト ボリュームを組み合わせて、次のように融合深度特徴を取得します。
DDAD (Dense Depth for Autonomous Driving) は、困難で多様な都市条件の推定における高密度深度の新しい自動運転ベンチマークです。これは 6 台の同期カメラによってキャプチャされ、高密度 LIDAR によって生成された正確な地表深度 (360 度の視野全体) が含まれています。解像度 1936×1216 の単一カメラ ビューに 12650 のトレーニング サンプルと 3950 の検証サンプルがあります。 6 台のカメラからのすべてのデータはトレーニングとテストに使用されます。 KITTI データセットは、移動中の車両で撮影された屋外シーンの立体画像と、対応する 3D レーザー スキャンを提供します (解像度は約 1241 × 376)。
DDADとKITTIの評価結果の比較。 * はオープン ソース コードを使用して複製された結果を示しており、その他の報告された数値は対応する元の論文からのものであることに注意してください。
DDAD のメソッドにおける各戦略のアブレーション実験結果。 Singleはシングルビュー分岐予測の結果を表し、Multi-はマルチビュー分岐予測の結果を表し、Fuseは融合結果dfuseを表す。
#ネットワークパラメータを共有し、アブレーション結果の特徴抽出のための一致情報を抽出する方法。
以上が深度推定 SOTA!自動運転のための単眼とサラウンド深度の適応的融合の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
