Hybride SNN-ANN-Architektur zur effizienten Schätzung des optischen Flusses aus ereignisbasierten Kamerabildern
Eine neuartige hybride SNN-ANN-Architektur kombiniert die Stärken von Spiking Neural Networks (SNNs) und Analog Neural Networks (ANNs), um den optischen Fluss aus ereignisbasierten Kamerabildern effizient zu schätzen.
Effiziente 6DoF-Posenschätzung aus einem einzelnen Bild und einem NeRF-Modell ohne Initialisierung
IFFNeRF schätzt die 6DoF-Kamerapose eines gegebenen Bildes, ohne eine initiale Pose zu benötigen, indem es auf der Neural Radiance Fields (NeRF)-Formulierung aufbaut.
Offenes Vokabular-Kategorie-Level 9D-Objekt-Pose- und Größenschätzung
Dieses Papier stellt ein neues offenes Problem vor, die offene Vokabular-Kategorie-Level-Objektpose- und Größenschätzung. Durch die Nutzung von visuell-sprachlichen Grundmodellen kann das Modell die Pose und Größe von Objekten in Szenenbildern schätzen, basierend auf freien Textbeschreibungen der Objekte.
Nahtlose Anpassung von Vortrainierten Modellen für die Visuelle Ortskennung
Eine neuartige Methode zur nahtlosen Anpassung von vortrainierten Grundlagenmodellen für die visuelle Ortskennung, die sowohl globale als auch lokale Merkmale zur Unterscheidung von Orten effizient erzeugt.
Selbstüberwachte monokulare Tiefenschätzung: Erforschung der Konsistenz in herausfordernden Szenarien
EC-Depth, ein neuartiges zweistufiges selbstüberwachtes Framework, verbessert die Genauigkeit und Robustheit der Tiefenschätzung, insbesondere in herausfordernden Szenarien, durch Konsistenzregularisierung und konsistenzbasierte Pseudo-Label-Filterung.
Dynamische Szenen effizient rekonstruieren: Eine motion-basierte Kameraposenschätzung für neurale Strahlungsfelder
DynaMoN nutzt semantische Segmentierung und generische Bewegungsmasken, um die Kameraposenschätzung in dynamischen Umgebungen zu verbessern und die Qualität der Neuansichtsynthese zu erhöhen.
Effiziente und kompakte 3D-Gaussian-Splatting-basierte visuelle SLAM-Lösung
Eine kompakte 3D-Gaussian-Splatting-basierte SLAM-Lösung, die Speichereffizienz, Trainingsgeschwindigkeit und Renderleistung deutlich verbessert, ohne die Rekonstruktionsqualität zu beeinträchtigen.
Neuronales Markov-Zufallsfeld für Stereo-Matching: Hochpräzise und effiziente Tiefenschätzung durch datengetriebene Modellierung
Ein neuartiges, vollständig datengetriebenes neuronales Markov-Zufallsfeld-Modell, das sowohl die Potenzialfunktionen als auch den Nachrichtenaustausch mithilfe von Neuronalen Netzen lernt. Dies ermöglicht eine präzisere Modellierung der komplexen Beziehungen zwischen Pixeln und führt zu state-of-the-art Genauigkeit und Robustheit bei der Stereo-Tiefenschätzung.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Dichte Posenschätzung in einer Plenoxels-Umgebung unter Verwendung von Gradientenapproximation
Eine 6-DoF-monokulare RGB-basierte Posenschätzungsmethode, die eine vortrainierte Plenoxels-Darstellung der Umgebung nutzt, um die Kamerapose durch Minimierung des photometrischen Fehlers zwischen gerenderten und Referenzbildern zu schätzen.
Verbesserte bildbasierte Pose-Regressions-Modelle für Unterwasserumgebungen
Bildbasierte Pose-Regressions-Modelle können eine kostengünstige, konsistente und genaue Alternative zur Positionsbestimmung in Unterwassermissionen bieten. Durch den Einsatz von LSTM-Schichten und Datenaugmentierung können die Modelle die Positionsgenauigkeit in Unterwasserumgebungen weiter verbessern.
© 2024 by Linnk AI