无监督卷积神经网络用于单视角深度估计：几何的拯救

ECCVMar, 2016

无监督卷积神经网络用于单视角深度估计：几何的拯救

Unsupervised CNN for Single View Depth Estimation: Geometry to the Rescue

Ravi Garg, Vijay Kumar BG, Gustavo Carneiro, Ian Reid

TL;DR本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

Abstract

A significant weakness of most current deep convolutional neural networks is the need to train them using vast amounts of manu- ally labelled data. In this work we propose a unsupervised framework to learn a deep convolutional neural network for single view depth predic- tion, without

convolutional neural networks unsupervised learning depth prediction autoencoder stereo pair

发现论文，激发创造

利用传统视觉里程计增强自监督单目深度估计

该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

Aug, 2019

几何与语义相遇：半监督单目深度估计

通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计，提出了一种半监督的深度估计方法，结果表明在 KITTI 数据集上超过了单目深度估计的先进方法。

Oct, 2018

使用无监督三眼假设学习单目深度估计

该论文提出了一种可以使用无标注数据进行训练的，基于三目摄像机的深度估计方法，其在 KITTI 数据集上取得了比其他基于双目摄像机以及其他线索的方法更好的性能。

Aug, 2018

无监督单目深度估计与左右一致性

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

单视图深度中的不确定性与自监督

量化监督式单视图深度的不确定性的贝叶斯深度神经网络，通过光照作为单视图自我监督信号，提出了一种仅需 RGB 图像和内窥镜的几何和光度校准的完全自我监督方法。

Jun, 2024

自监督单目深度估计中的 Transformer 模型（不考虑相机内参）

研究在自动驾驶和高级驾驶辅助系统下，使用视觉转换器作为新的方法来进行单目深度估计，在 KITTI 深度预测基准上取得了与卷积神经网络相似的性能，同时具有更强的鲁棒性和可扩展性。

Feb, 2022

基于深度特征重建的单目深度估计和视觉里程计无监督学习

本文探讨了利用立体序列进行深度和视觉里程计学习的方法，并在 KITTI 行驶数据集上的实验表明，我们的方法优于现有的基于学习的方法。

Mar, 2018

自监督深度去噪

本研究提出一种基于自监督学习的全卷积深度自编码器，通过利用不同视角下的多个场景生成的多视点数据，结合深度和颜色信息，在训练期间去除噪声，在推理期间仅利用深度信息，有效地提高深度去噪效果。

Sep, 2019

实现 CPU 上实时无监督单目深度估计

本文提出了一种新的 CPU 架构，使用从单个输入图像提取的特征金字塔快速推断准确的深度图，与现有的方法相比，模型的参数较少（约为 6％），使得其能在 Raspberry Pi 3 上推断 KITTI 图像的深度图约 1.7 秒，为 CPU 上的嵌入式系统的无监督单目深度估计的快速有效部署铺平了道路。

Jun, 2018

自监督学习用于单视图深度和表面法线估计

本文提出了一种自监督学习框架来同时训练两个卷积神经网络 (CNNs)，从单个图像预测深度和表面法线，通过一个简单的深度 - 法线一致性软约束，该框架假设自然场景具有分段平滑的法线，通过训练得到的表面法线网络提供了最先进的预测，而深度网络依赖更现实的平滑法线假设，在 KITTI 基准测试中比传统的自监督深度预测网络表现更好。

Mar, 2019