ATGV-Net: 准确深度超分辨率

ECCVJul, 2016

ATGV-Net: Accurate Depth Super-Resolution

Gernot Riegler, Matthias Rüther, Horst Bischof

TL;DR本文介绍了一种结合深度学习和变分方法的 ATGV-Net 技术，用于实现单个深度图超分辨率过程，并展示其在不同基准测试下的最新成果。

Abstract

In this work we present a novel approach for single depth map super-resolution. Modern consumer depth sensors, especially Time-of-Flight sensors, produce dense depth measurements, but are affected by noise and have a low lateral resolution. We propose a method that combines the benefits of recent advances in →

single depth map super-resolution time-of-flight sensors machine learning variational method atgv-net

发现论文，激发创造

用于引导深度超分辨率的深度原始 - 对偶网络

本文提出了一种新的方法来提高深度图像的空间分辨率，使用深度全卷积神经网络和非局部变分方法在深度的原始 - 对偶网络中结合起来，通过训练我们的联合方法，可以优化卷积网络和变分方法及其优化过程等所有参数。评估表明，该方法在多个基准测试中性能优于现有技术。

Jul, 2016

利用全局 $TGV$ 最小化算法实现离线表面重建

利用图形处理器对超大规模深度图像进行曲面重建，其基于可见性噪音过滤特性和 GPU 友好的总体广义变分最小化（$TGV$）算法的离线部分的适应性。

Jul, 2021

VA-DepthNet: 单张图像深度预测的变分方法

VA-DepthNet 是一种基于首阶变分约束的神经网络方法，能够在单张图像中预测场景深度，摒弃了简单监督学习方法所忽视的场景空间不变性和先验知识，并在多个基准数据集上得到了较高的预测准确度。

Feb, 2023

SuperDepth: 自监督、超分辨率单目深度估计

本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

Oct, 2018

使用深度卷积网络进行精确图像超分辨率

本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用 20 个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

Nov, 2015

通过深度各向异性扩散指导的深度超分辨率

本文提出了一种新颖的方法，将有向各向异性扩散技术和深度卷积神经网络相结合，实现了超分辨率深度图像的指导。该方法以前人的研究为基础，在边缘转移 / 增强性，与现代网络的上下文推理能力和严格的校准步骤的保证下，在三个常用的超分辨率指导深度准则下展现了前所未有的成果。

Nov, 2022

使用双重网络从视频中无监督地学习高分辨率深度

该研究提出了一种双网络结构及自组装注意力模块，可以直接处理高分辨率图像，从而更有效地生成高分辨率和高准确度的景深图，并在 KITTI 和 Make3D 数据集上实现了单目景深估计中最先进的结果。

Oct, 2019

深度局部超分辨率：使用深度卷积神经网络学习深度超分辨率

该研究提出了一种基于深度卷积神经网络的深度图像超分辨率方法，借鉴了深度场统计学和颜色 - 深度图像之间的局部相关性等先验知识，与当前最先进的深度图像超分辨率技术相比提升了很大的表现。

Jul, 2016

MVDepthNet: 实时多视角深度估计神经网络

本文提出 MVDepthNet，在多视图深度估计中编码多视图观察信息，并结合参考图像使用编码器 - 解码器网络生成深度图，并在单目密集映射系统中应用，实现了高效准确的深度图生成。

Jul, 2018

3DVNet: 多视角深度预测和体积细化

3DVNet 是一种结合了先前基于深度和体积的 MVS 方法优点的新型多视图立体 (multi-view stereo) 深度预测方法，使用基于体积的三维卷积神经网络来对所有深度图进行操作，并能够学习有意义的场景级先验知识，其在深度预测和 3D 重建度量上均超越了现有技术，证明该方法在新的环境下具有很好的效果和通用性。

Dec, 2021