The Second Monocular Depth Estimation Challenge

要約

タイトル：モノクル深度推定チャレンジの第2回目について
要約：
– この論文は、Monocular Depth Estimation Challenge（MDEC）の第2回目の結果について説明します。
– 今回は、完全に監視された、自己監視、マルチタスク、またはプロキシ深度を含む任意の監視形式を使用する方法を対象としていました。
– このチャレンジはSYNS-Patchesデータセットをベースにしていて、これには現在のベンチマークでは大幅にアンダープレゼントされている、複雑な自然環境（森や野原など）も含まれています。
– このチャレンジは8つのユニークな提出物を受け取り、提供されたSotAベースラインを特定のポイントクラウドまたは画像ベースの指標のいずれでも上回る結果となりました。
– 上位の監視された提出物は相対Fスコアを27.62％向上させ、上位の自己監視は16.61％向上させました。
– 監視された提出物は一般的に、データ多様性を改善するために大量のデータセットを利用しています。一方、自己監視提出物はネットワークアーキテクチャや事前学習バックボーンを更新しました。
– これらの結果は、分野の重要な進歩を表していますが、デプス境界での補間アーティファクトの削減、自己監視内部パフォーマンスの向上、全体的な自然画像の精度の向上など、今後の研究の方向性を示しています。

要約(オリジナル)

This paper discusses the results for the second edition of the Monocular Depth Estimation Challenge (MDEC). This edition was open to methods using any form of supervision, including fully-supervised, self-supervised, multi-task or proxy depth. The challenge was based around the SYNS-Patches dataset, which features a wide diversity of environments with high-quality dense ground-truth. This includes complex natural environments, e.g. forests or fields, which are greatly underrepresented in current benchmarks. The challenge received eight unique submissions that outperformed the provided SotA baseline on any of the pointcloud- or image-based metrics. The top supervised submission improved relative F-Score by 27.62%, while the top self-supervised improved it by 16.61%. Supervised submissions generally leveraged large collections of datasets to improve data diversity. Self-supervised submissions instead updated the network architecture and pretrained backbones. These results represent a significant progress in the field, while highlighting avenues for future research, such as reducing interpolation artifacts at depth boundaries, improving self-supervised indoor performance and overall natural image accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI