The Second Monocular Depth Estimation Challenge

要約

タイトル：The Second Monocular Depth Estimation Challenge

要約：

– 本論文は、Monocular Depth Estimation Challenge（MDEC）の2回目について説明しています。
– 今回のMDECは、完全に監視された、自己監督された、マルチタスク、または代理深度など、どの形式の監督方法でも使用可能でした。
– SYNS-Patchesデータセットをベースにして、高品質の密集したグラウンドトゥルースを持つ、広範な環境が含まれています。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テッドな、複雑な自然環境（森や野原など）が含まれています。
– 8つのユニークな提出物があり、提供されたSotAベースラインよりも点群または画像ベースのメトリックのどれでも優れた結果を出しました。
– 上位の監視された提出物は相対Fスコアを27.62%改善し、自己監視された提出物は16.61%改善しました。
– 監視された提出物は、多様なデータを改善するために大きなデータセットのコレクションを活用しました。一方、自己監視された提出物は、ネットワークアーキテクチャを更新し、事前学習されたバックボーンを改善しました。
– これらの結果は、分野における重要な進歩を表しており、深度境界の補間アーティファクトの削減、自己監視された室内パフォーマンスの改善、および全体的な自然画像の精度の向上などの今後の研究の展望を示しています。

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