Jun, 2014

使用多尺度深度网络从单张图片预测深度图

PDF
TL;DR本文提出了一种新的方法，利用两个深度网络堆栈来解决单张图像深度估计的问题，并应用尺度不变误差来测量深度关系，通过利用原始数据集作为大量训练数据，方法在 NYU Depth 和 KITTI 上实现了最先进的结果。
depth estimationstereo imagesdeep network stacksscale-invariant errorraw datasets
发现论文，激发创造
  • 利用过完备局部网络的协调作用从一张图像中获取深度

    使用神经网络对本地场景几何结构进行建模，通过对不同阶、方向和比例下的深度导数进行概率分布预测，采用全球化处理方法获得一个一致性深度图以解决深度估计中的歧义。

    May, 2016

  • 稀疏到密集：从稀疏深度样本和单幅图像中预测深度

    本文论述了如何通过使用 RGB-D 原始数据，采用单个深度回归网络来学习来自稀疏深度范例的密集深度估计，并研究了样本数量对预测准确性的影响，提出的算法有两个应用：转换稀疏地图为密集地图和 LiDAR 的超分辨率。

    Sep, 2017

  • 从大到小：多尺度局部平面引导单目深度估计

    本文介绍了一种网络架构，利用位于解码阶段多个阶段的新型本地平面指导层来更有效地引导密集编码特征以进行所需的深度预测， 并在具有挑战性的基准测试中通过消融研究证明所提出的方法优于最先进的作品。

    Jul, 2019

  • FS - 深度：从一幅未见室内场景的单幅图像中估计焦点和尺度深度

    我们开发了一种焦距和比例尺深度估计模型，能够从单个图像中准确学习未见过的室内场景的绝对深度图。我们通过采用相对深度估计网络学习相对深度和多尺度特征，并将它们与绝对深度估计网络一起输入，从而显著提高了深度估计的泛化能力，在三个未见过的数据集上比起其他五个最先进的深度估计模型，我们的模型将波动率均方根误差 (RMSE) 降低了 41%/13%，并且有效缓解了三维重建中的变形问题，同时也能保持对原始数据集的深度估计准确性。

    Jul, 2023

  • 全局 - 局部路径网络与竖向分割深度用于单目深度估计

    该研究提出了一种新的深度估计结构和训练策略，使用层次变压器编码器来捕获全局上下文，并设计轻量级但强大的解码器来生成估计的深度图，通过构建连接不同尺度的局部特征和全局解码流之间的连接路径，在分层特征融合模块的作用下，网络可以综合两种表示形式并恢复细节信息。与以往的解码器相比，本文提出的解码器具有更好的性能和更少的计算复杂度，并利用深度估计中的重要观察来改善深度特定的数据增强方法，网络在深度数据集 NYU Depth V2 上达到了最先进的性能，并表现出比其他模型更好的泛化能力和鲁棒性。

    Jan, 2022

  • MegaDepth：从互联网照片中学习单视图深度预测

    本文提出了使用多视图互联网照片集合生成训练数据以解决现有数据集受限的问题，构建了一个基于此想法的大型数据集 MegaDepth，同时通过新的数据清理方法和自动生成数据的方法解决了 MVS 数据的噪声和无法重构的对象等问题。验证表明，基于 MegaDepth 训练的模型不仅适应新的场景，还适应其他各种数据集。

    Apr, 2018

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020

  • 单目深度图预测的半监督深度学习

    本文提出了一种半监督学习的深度学习方法，通过稀疏的真实深度数据和直接图像对齐误差来学习单目图像深度地图的预测，实验结果表现出一定的优越性。

    Feb, 2017

  • 用于半监督单目深度估计的 RGB-D 大型数据集

    使用基于学生 - 教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

    Apr, 2019

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019