Sep, 2016

使用RGBD设备建模非参数前景分割的深度

HTML
PDF
TL;DR提出一种新的无参数化方法，其中统一模型结合了设备多重信息线索，以处理前景分割中的深度线索。通过引入新的深度数据模型，处理不准确数据以提高前景分割，同时引入了一个新的RGBD视频数据集，为这类算法的比较提供了新的标准。结果表明，该方法可以处理多种实际情况，并在所有情况下都获得良好的结果。
发现论文，激发创造
  • 从单目深度图像进行目标检测和语义分割

    本研究证明，在计算机视觉中，利用单目图像估计出深度信息与RGB图像结合能够显著提高目标检测和语义分割的精度。

    Oct, 2016

  • 基于深度感知的 RGB-D 分割卷积神经网络

    本文提出一种Depth-aware CNN方法，通过引入深度感知卷积和深度感知平均池化两种直观、灵活、有效的操作，将几何信息无缝地融入CNN中，从而解决了CNN在处理几何信息上的限制问题，并且在具有挑战性的RGB-D语义分割基准测试上进行的广泛实验和消融研究证实了该方法的有效性和灵活性。

    Mar, 2018

  • 在 RGBDT 空间中处理序列数据

    本文提出了一种非参数概率模型，利用多种信息来源混合来自设备的信息，用于在图像序列中分割包含运动目标的区域，并展示了使用先前信息获取精确分割结果的重要性，使用了提供RGBDT空间序列的新数据集，并标记了使用最先进的人体检测器检测到的区域。

    May, 2018

  • 神经网络RGB->D感知：从视频摄像机中获得深度和不确定性

    本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通RGB相机转换成RGB-D相机，并实现更为精确、稳定、泛化性更好的3D场景重建。

    Jan, 2019

  • 单目深度估计：综述

    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

  • 使用非参数抽样从视频中提取深度

    使用非参数深度采样自动生成逼真的深度图以及通过局部运动线索和光流在视频中提取深度信息的技术，可实现单幅图像和视频的深度估计和3D可视化。

    Dec, 2019

  • DepthTrack: 揭示RGBD跟踪的威力

    该论文介绍了一种新的RGBD跟踪数据集-Depth-Track，其中有200个序列，40种场景类型和90个对象，并建立了一个新的RGBD跟踪基准DeT，揭示了真正的训练数据对深度RGBD跟踪的益处。

    Aug, 2021

  • SAD：RGBD分割

    该研究通过提出Segment Any RGBD（SAD）模型来解决Segment Anything Model（SAM）对几何信息关注不足的问题，该模型将SAM与深度图像渲染相结合，同时包括了开放词汇的语义分割，实现了3D万象分割。

    May, 2023

  • RGB-D视频中的显著目标检测

    通过构建RDVS数据集和引入DCTNet+，本文在RGB-D视频中进行了显著目标检测，通过使用多模态注意力模块实现了多模态特征的增强与融合，实验结果表明DCTNet+在17个VSOD模型和14个RGB-D SOD模型中表现优越。

    Oct, 2023

  • D4D: 一种提升单目深度估计的RGBD扩散模型

    通过使用Diffusion4D生成真实的RGBD样本，本文提出了一个新的训练流程，在室内NYU Depth v2数据集和室外KITTI数据集上，通过生成样本丰富的有监督训练流程，相对于合成数据和原始数据，在单目深度估计任务中取得了(8.2％，11.9％)和(8.1％，6.1％)的RMSE降低。

    Mar, 2024