探究采用适当的网络设计和训练策略以及如何将结果网络映射到手持设备以实现实时性能的方式解决单张图像深度估计的低可靠性和需求高计算资源的问题,并通过实验证明这些快速网络具有良好的泛化能力以用于现实应用,包括野外中的实时深度感知增强现实和图像模糊处理。
Jun, 2020
论文综述了五篇应用不同技术(包括监督、弱监督和无监督学习技术)尝试解决单目深度估计问题的论文,并比较这些论文之间的改进和理解,最后探讨了可能有助于更好地解决这一问题的潜在改进。
Jan, 2019
该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练,并使用两个新颖的损失函数进行训练。研究表明,该方法可以显著提高野外深度估计质量。
Apr, 2017
通过使用现代摄像头上越来越常见的双像素自动对焦硬件,识别深度估计中的不确定性并开发了一种方法解决它,使基于学习的方法可以很好地应用于双像素图像,提高了成像质量。
Apr, 2019
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
本文提出了一组新的质量标准,允许更详细地分析深度图的特定特征,以便评估最先进的单图像深度估计方法,并提供了一个新的高质量 RGB-D 数据集。实验结果显示了我们提出的评估协议的有效性。
May, 2018
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
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
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
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