Sep, 2016

无监督单目深度估计与左右一致性

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 无监督卷积神经网络用于单视角深度估计：几何的拯救

    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。

    Mar, 2016

  • 单视角立体匹配

    该研究论文采用视图合成过程和立体匹配相结合的方法，将单目深度估计问题分解为两个子问题，并明确地在推断过程中施加几何约束条件。经验证明，这种方法的性能优于以往的方法，并且只需使用少量的真实训练数据，同时也具有良好的泛化能力。

    Mar, 2018

  • 自监督单目深度估计探究

    该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

    Jun, 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

  • 无监督单目深度预测的双向循环约束和自适应正则化

    使用几何方法和立体图像训练卷积神经网络可以在单张图片中预测场景深度，性能优于最先进的无监督单目深度预测方法，并适用于不同数据集。

    Mar, 2019

  • 利用传统立体知识学习单目深度估计

    本文介绍了一种基于单目深度估计的新型深度学习架构- monoResMatch, 通过理论证明和严谨的实验，该架构通过合成不同视点的特征进行立体匹配，综合利用了代理监督信息，并且在自我监督方法上对无需昂贵的深度标签，取得了准确的单目深度估计成果。

    Apr, 2019

  • 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

  • 使用深度神经网络的半监督单目深度估计及左右一致性

    通过语义监督训练单张图像深度预测模型，进一步应用LiDAR导出的深度图纠正误差，提出了具有左右一致性损失函数的深度神经网络，着重于强调半监督训练方法的重要性和正确使用LiDAR测量数据的技术。

    May, 2019

  • 对单目深度估计采用对抗性训练的益处

    本研究探讨了将对抗性训练应用于单目深度估计任务中的益处，并扩展了自监督网络以成为生成对抗网络（GAN）来实现全局一致性。通过对不同像素级重构损失结合Vanilla GAN， LSGAN和Wasserstein GAN等进行广泛的实验评估，得出当重构损失不太受限制时，对抗训练是有益的结论，并证明在使用批量归一化时，无需使用GAN的非对抗性训练法表现优异。因此，我们采用批量规范化和不同的输出比例，获得了最新的单目深度估计结果。

    Oct, 2019

  • 基于深度学习的单目图像和视频深度估计方法：综述

    该论文综述了基于深度学习的单个RGB图像和视频的深度估计方法，包括输入输出模态、网络结构和学习方法的分类，历史里程碑，以及现有方法使用的流程、数据集和评估指标。

    Jun, 2024