[論文レビュー] Towards Gold-Standard Depth Estimation for Tree Branches in UAV Forestry: Benchmarking Deep Stereo Matching Methods

Yida Lin, Bing Xue+3 more|arXiv (Cornell University)|Jan 27, 2026

Advanced Vision and Imaging被引用数 0

ひとこと要約

論文は、シーンフローで事前学習済みの8つの深層ステレオ手法を、標準ベンチマークと新規Tree Branches UAV forestryデータセットで系統的に評価し、堅牢なアプローチを特定するとともに、DEFOMを植生深度推定のゴールドスタンダードとなるベースラインとして確立します。

ABSTRACT

Autonomous UAV forestry operations require robust depth estimation with strong cross-domain generalization, yet existing evaluations focus on urban and indoor scenarios, leaving a critical gap for vegetation-dense environments. We present the first systematic zero-shot evaluation of eight stereo methods spanning iterative refinement, foundation model, diffusion-based, and 3D CNN paradigms. All methods use officially released pretrained weights (trained on Scene Flow) and are evaluated on four standard benchmarks (ETH3D, KITTI 2012/2015, Middlebury) plus a novel 5,313-pair Canterbury Tree Branches dataset ($1920 imes 1080$). Results reveal scene-dependent patterns: foundation models excel on structured scenes (BridgeDepth: 0.23 px on ETH3D; DEFOM: 4.65 px on Middlebury), while iterative methods show variable cross-benchmark performance (IGEV++: 0.36 px on ETH3D but 6.77 px on Middlebury; IGEV: 0.33 px on ETH3D but 4.99 px on Middlebury). Qualitative evaluation on the Tree Branches dataset establishes DEFOM as the gold-standard baseline for vegetation depth estimation, with superior cross-domain consistency (consistently ranking 1st-2nd across benchmarks, average rank 1.75). DEFOM predictions will serve as pseudo-ground-truth for future benchmarking.

研究の動機と目的

• 林業における自律UAV剪定のためのセンチメートルレベルの深度精度を動機づける。
• 8つの深層ステレオ手法のゼロショット条件下でのドメイン横断一般化を評価する。
• 植生深度のベンチマーク用の疑似地表データ生成における堅牢な手法を特定する。
• 林業深度推定データセットのゴールドスタンダードベースラインとしてDEFOMを確立する。

提案手法

• 反復的精緻化、ファウンデーションモデル、拡散ベース、3D-CNNアーキテクチャを含む8つの深層ステレオ手法を、事前学習済みのScene Flow重みで評価する。
• KITTI 2012/2015、ETH3D、Middlebury、および新規Tree Branchesデータセット（ニュージーランド・クライストチャーチ周辺）でゼロショット推論を実施する。
• 誤差指標としてEPEとD1を用いて、精度と失敗率を比較する。
• ドメイン横断の一貫性に基づき、植生シーンにおける疑似地表データ生成の最も堅牢な手法を選択する。
• 植生シーンの深度マップを定性的に分析し、UAV剪定タスクへの適用性を評価する。

Figure 1 : Initial screening of 20 stereo matching methods using officially released pretrained weights on KITTI 2015 (D1-all %) and Middlebury (Average Absolute Error, pixels). Foundation models (DEFOM: 0.79% D1, BridgeDepth: 1.01% D1) dominate KITTI 2015, while iterative methods (IGEV++: 0.97 px A

実験結果

リサーチクエスチョン

• RQ1 異なる深層ステレオパラダイム（反復、ファウンデーション、拡散、3D-CNN）は、植生密度の高い環境にゼロショットで一般化できるか。
• RQ2 ファインチューニングなしで林業風景のドメイン横断性能を最も堅牢に提供する手法はどれか。
• RQ3 ファウンデーションモデルベースの手法は、樹枝深度推定の疑似地表データのゴールドスタンダードとなり得るか。
• RQ4 林業用途のベンチマークにおける精度（EPE）と失敗率（D1）のトレードオフはどうなるか。

主な発見

Method	ETH3D EPE	ETH3D D1	KITTI 2012 EPE	KITTI 2012 D1	KITTI 2015 EPE	KITTI 2015 D1	Middlebury EPE	Middlebury D1
RAFT-Stereo	0.27	0.88	0.90	4.41	1.11	5.12	5.50	10.80
IGEV	0.33	1.44	1.03	5.21	1.17	5.45	4.99	6.79
IGEV++	0.36	1.70	1.20	6.37	1.23	5.83	6.77	7.82
BridgeDepth	0.23	0.39	0.83	3.65	1.07	4.34	20.03	19.54
StereoAnywhere	0.43	2.04	1.02	4.91	1.11	5.43	9.51	18.84
DEFOM	0.35	0.92	0.84	3.76	1.04	4.57	4.65	8.28
ACVNet	1.95	3.50	1.91	11.72	2.18	9.95	37.36	36.67
PSMNet	2.15	4.20	3.77	27.32	3.97	28.21	48.62	54.42

• ファウンデーションモデル手法（DEFOM、BridgeDepth）はドメイン横断の一貫性が高く、ベンチマーク全体で最良に近いランクを獲得する。
• DEFOMは平衡の取れた性能を示し、KITTI 2015とMiddleburyで一般に1位～2位に入り、全ベンチマークでの一貫性が高い（平均ランク1.75）。
• BridgeDepthはETH3DとKITTIで優れているが、中間域の大きな格差によりMiddleburyで崩れる。極端な格差への一般化が制限されることを示唆。
• 反復的手法（RAFT-Stereo、IGEV、IGEV++）は安定しつつも混在したドメイン横断結果を示し、IGEV++はMiddleburyのD1で最も良いが、普遍的な優位性はない。
• 従来の3D-CNN（ACVNet、PSMNet）はドメイン横断で低性能であり壊滅的な失敗を示すことがあり、ドメイン横断林業タスクには現代的アーキテクチャの必要性を示す。
• DEFOMはTree Branchesデータセットのゴールドスタンダードベースラインとして選定され、LiDARなしで疑似地表ベンチマーキングを可能にする。

(a) Left image