Procedural Dataset Generation for Zero-Shot Stereo Matching

要約

合成データセットは、ステレオマッチングネットワークをトレーニングするための重要な要素ですが、ステレオデータセットを効果的にするものの問題は、ほとんど説明されていません。
手続き上のデータセットジェネレーターのパラメーターを変化させることにより、合成データセットの設計スペースを調査し、標準ベンチマークを使用してゼロショットステレオマッチングパフォーマンスへの影響を報告します。
ゼロショットステレオデータセット用に最適化された手続き型ジェネレーターであるInfinigen-Stereoを生成するために最適な設定を収集します。
システムのデータでのみトレーニングされたモデルは、既存の合成データセットの組み合わせでトレーニングされた堅牢なベースラインを上回り、以前の作品のパブリックチェックポイントよりもゼロショットステレオマッチングパフォーマンスを強くしています。
https://github.com/princeton-vl/infinigenstereoでシステムをオープンして、手続き上のステレオデータセットに関するさらなる調査を可能にします。

要約(オリジナル)

Synthetic datasets are a crucial ingredient for training stereo matching networks, but the question of what makes a stereo dataset effective remains largely unexplored. We investigate the design space of synthetic datasets by varying the parameters of a procedural dataset generator, and report the effects on zero-shot stereo matching performance using standard benchmarks. We collect the best settings to produce Infinigen-Stereo, a procedural generator specifically optimized for zero-shot stereo datasets. Models trained only on data from our system outperform robust baselines trained on a combination of existing synthetic datasets and have stronger zero-shot stereo matching performance than public checkpoints from prior works. We open source our system at https://github.com/princeton-vl/InfinigenStereo to enable further research on procedural stereo datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google