要約
サラウンドビューの奥行き推定は、周囲のビューの奥行きマップを取得することを目的とした重要なタスクです。
自動運転、AR/VR、3D 再構成など、現実世界のシナリオに多くのアプリケーションがあります。ただし、自動運転データセットのデータのほとんどが昼間のシナリオで収集されることを考えると、これにより、自動運転のシナリオでは深度モデルのパフォーマンスが低下します。
配布外（OoD）データの顔。
OoD データの下で深度モデルの堅牢性を向上させようとする研究もありますが、これらの方法では追加のトレーニング データまたはレイクの一般化可能性のいずれかが必要です。
このレポートでは、新しいサラウンドビュー奥行き推定モデルである DINO-SD を紹介します。
当社の DINO-SD は追加のデータを必要とせず、強力な堅牢性を備えています。
当社の DINO-SD は、ICRA 2024 RoboDepth Challenge のトラック 4 で最高のパフォーマンスを獲得しました。
要約(オリジナル)
Surround-view depth estimation is a crucial task aims to acquire the depth maps of the surrounding views. It has many applications in real world scenarios such as autonomous driving, AR/VR and 3D reconstruction, etc. However, given that most of the data in the autonomous driving dataset is collected in daytime scenarios, this leads to poor depth model performance in the face of out-of-distribution(OoD) data. While some works try to improve the robustness of depth model under OoD data, these methods either require additional training data or lake generalizability. In this report, we introduce the DINO-SD, a novel surround-view depth estimation model. Our DINO-SD does not need additional data and has strong robustness. Our DINO-SD get the best performance in the track4 of ICRA 2024 RoboDepth Challenge.
arxiv情報
| 著者 | Yifan Mao,Ming Li,Jian Liu,Jiayang Liu,Zihan Qin,Chunxi Chu,Jialei Xu,Wenbo Zhao,Junjun Jiang,Xianming Liu |
| 発行日 | 2024-05-27 12:21:31+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google