日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
深度推定arXiv:2610.27199

Jetson AGX Orin向け深度推定器の2026年ベンチマーク：単眼法とステレオ法の比較

Which Depth Estimator for Jetson AGX Orin? A 2026 Benchmark of Monocular and Stereo Methods

シェア:XThreadsFacebookLINEはてブBluesky

Jetson AGX Orin上で9種類の単眼・ステレオ深度推定モデルの精度・速度・消費電力をMiddlebury 2014で実測比較し、用途別の推奨を示した。

詳しい要約

1. どんなもの？

- Jetson AGX Orin 上での depth estimator の精度・速度・エネルギーを実測したベンチマーク - 2026年10月時点の9モデル系統を対象 - monocular: Depth Anything V2/V3, Depth Pro, MoGe-2, Metric3D v2, UniDepth V2 - stereo: libSGM, NVIDIA ESS, Fast-FoundationStereo - 各手法を TensorRT FP16 engine または native CUDA で実行 - 入力サイズ最大3種、最大 5.7 MP まで - 評価軸は metric accuracy, GPU time, energy, licence - 精度は Middlebury 2014 ground truth に対して評価

2. 先行研究と比べてどこがすごい？

- Jetson AGX Orin はロボット・車載で一般的だが、実測の精度・速度・エネルギーが乏しいというギャップを埋める - 単一ハードウェア上で monocular と stereo の最新手法を同一条件で比較 - TensorRT FP16 engine / native CUDA での実装を含む - 精度だけでなく GPU time・energy・licence まで含めた実用指向の評価 - depth discontinuity での挙動を AbsRel とは別に評価している点が従来と異なる - 具体的な先行研究との比較は要旨からは不明

3. 技術・手法の肝は？

- 9モデル系統を Orin 上で TensorRT FP16 engine または native CUDA として動作させる - 入力サイズを最大3段階、最大 5.7 MP まで変えて評価 - 精度指標は Middlebury 2014 ground truth に対する AbsRel - 10 scene のうち disparity が 256 px 未満の scene の non-occluded pixel を使用 - GPU time と energy、licence も計測 - depth discontinuity での edge point の foreground/background 間の散らばりを別途評価 - monocular では true focal length と oracle per-image scale の両条件を比較

4. どうやって有効だと検証した？

- Middlebury 2014 ground truth を用いた metric accuracy 評価 - 30 fps 条件で stereo が高精度であることを実測 - NVIDIA ESS 0.70% AbsRel / 8.6 ms、libSGM 0.73% / 25 ms - Fast-FoundationStereo は 0.33% - monocular は true focal length で最良 12% - Depth Anything 3 Metric-L 33 ms、Depth Pro 803 ms - oracle per-image scale で 3.8-4.0%（MoGe-2-L, UniDepth V2-B, Metric3D v2-L） - 入力解像度増加で stereo は誤差低下、monocular は改善せず - depth discontinuity での edge point 散らばりを定量化 - monocular 17-46%、learned stereo 2-9%、libSGM full resolution…

5. 議論はある？

- stereo が monocular より大幅に高精度という結論 - monocular の metric scale は training resolution 外で真値からドリフト - AbsRel は depth discontinuity の誤りをほとんど捉えないという指標上の限界を指摘 - frame-rate budget 別の推奨を提示 - ただし推奨の詳細や energy・licence の具体的結果は要旨からは不明 - どの手法がどの用途に適するかの一般化可能性は要旨からは不明

6. 次に読むべき論文は？

- Depth Anything V2 / Depth Anything 3 - Depth Pro - MoGe-2 - Metric3D v2 - UniDepth V2 - libSGM - NVIDIA ESS - Fast-FoundationStereo - Middlebury 2014（評価データセット）

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Leaf Jiang

分類: cs.RO, cs.CV

原文アブストラクト

The Jetson AGX Orin is a common computer for robots and vehicles, yet measured accuracy, speed and energy of current depth estimators on it are hard to find. We benchmark nine model families as of October 2026: the monocular Depth Anything V2 and 3, Depth Pro, MoGe-2, Metric3D v2 and UniDepth V2, and the stereo methods libSGM, NVIDIA ESS and Fast-FoundationStereo. Every method runs on the Orin as a TensorRT FP16 engine or native CUDA code at up to three input sizes, up to the full 5.7 MP, and is scored for metric accuracy against Middlebury 2014 ground truth (non-occluded pixels of the 10 scenes whose disparity stays below 256 px), GPU time, energy and licence. Stereo is far more accurate. At 30 fps, NVIDIA's ESS reaches 0.70% AbsRel in 8.6 ms and libSGM 0.73% in 25 ms; with more compute, Fast-FoundationStereo reaches 0.33%. The best monocular models reach 12% with the true focal length (Depth Anything 3 Metric-L in 33 ms, Depth Pro in 803 ms), and 3.8-4.0% only with an oracle per-image scale (MoGe-2-L, UniDepth V2-B, Metric3D v2-L). Stereo error falls as the input resolution grows; no monocular model improves, and the metric scale of most drifts away from the truth outside their training resolution. At depth discontinuities, which AbsRel barely registers, the monocular models scatter 17-46% of the edge points between foreground and background, learned stereo 2-9% and libSGM at full resolution 1%. We give recommendations per frame-rate budget and release all code, per-scene results and engine build scripts.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI