Sep, 2016

从单张图像中重建车辆：道路场景理解的形状先验

PDF
TL;DR该论文提出一种利用单个 RGB 图像重建车辆的方法，通过学习形状先验和使用卷积神经网络技术，恢复车辆的 3D 姿势和形状，同时通过迭代重新加权最小二乘（IRLS）方法对噪声进行建模和优化，以达到在自动驾驶领域中优于现有单眼和立体摄像头方法的结果。
reconstructing vehiclesautonomous drivingshape priorsconvolutional neural networksrobust optimization
发现论文，激发创造
  • 基于 Multi-Task CNN 的概率车辆重建

    本研究提出了一种基于概率的方法，使用一种新型多任务 CNN 产生车辆方向、车辆关键点和线框边缘的概率分布，并将这些结果与三维视差信息结合到常见概率框架中，从而达到了最先进的结果。

    Feb, 2021

  • SAMP：用于四维车辆重建的形状和运动先验

    使用三维形状和运动先验来规范车辆的轨迹和形状，并通过在序列立体图像中施加共同的形状和运动模型，从而实现对车辆的姿态和形状的推断，得到了在 KITTI 数据集上的最新成果。

    May, 2020

  • Mono3D++：具有两种尺度三维假设和任务先验的单目三维车辆检测

    本文提出了一种从单张图像中推断车辆 3D 姿态和形状的方法，采用可塑性线框模型生成车辆形状和姿态的精细尺度表示，并结合三个任务先验，包括无监督单目深度、地平面约束以及车辆形状先验，通过将前向投影误差整合到总能量函数中优化两级投影一致性来解决这个逆问题。

    Jan, 2019

  • 多目标单目视觉下的车辆姿态和形状估计

    本文介绍了一种通过卷积神经网络提取车辆关键点，并利用交叉投影优化方法估算 3D 姿态，采用层级线框约束方法估算车辆形状的精确方法，可以应用于智能交通领域的视频监控网络，实现车辆定位和跟踪。实验结果表明，该方法在估算车辆姿态和形状方面表现优于现有的单目和立体方法。

    Feb, 2018

  • 探索用于单目车辆姿态估计的中间表示

    本文提出了一个新的基于学习的框架，从单个 RGB 图像中恢复车辆的姿态，并通过提取有意义的中间几何表示进行自我定位，其核心问题是选择哪些中间几何表示并学习它们更有效，我们通过设计基于插值的立方体形状的中间几何表示来回答前一个问题，并在一个基于投影不变量的新损失函数基础上融合几何知识来回答后一个问题，实验结果表明我们的系统在 KITTI 基准测试中取得了比以前的基于单 ocular RGB 方法的更好的表现。

    Nov, 2020

  • 通过几何约束从单张图片学习预测三维车道形状和相机姿态

    本研究提出了一种基于两个阶段的框架，通过从单个图像中估计相机姿态来预测 3D 车道，使用辅助的 3D 车道任务和几何约束来获得多任务学习的好处，增强 3D 和 2D 之间的一致性和在这两个任务之间的兼容性，在没有地面真值相机姿态的情况下，我们的方法胜过基于完美相机姿态的最先进方法，并且具有最少的参数和计算量。

    Dec, 2021

  • 从点云到多目标三维重建

    本文提出了一种从单一 RGB 图像中检测和重构多个 3D 物体的方法，通过逐步优化检测、对齐和形状重构，选择最佳的几个候选形状，并采用轻量化的重构技术进行快速、端到端的训练。

    Dec, 2020

  • 野外三维车辆重建的神经隐式建模修复

    本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

    Jan, 2021

  • 基于几何约束的车辆识别：使用三维透视网络

    本研究基于车辆的单一 RGB 图像，提出了一种学习框架，其将 3D 视角的特征表示与 2D 外观特征相结合进行车辆识别，通过在 BoxCars 数据集上的分类和验证任务中取得优越性能的结果验证了该方法的有效性。

    Mar, 2019

  • 使用深度神经网络从正交图中重建交通工具

    本文使用深度神经网络研究了基于多个正交绘图的物体重构，提出了两种算法，一种基于基于像素对齐的隐式函数进行系统构建，另一种比较了多视角深度图回归的方法，在车辆重建方面使用了一种新颖的数据集，并对训练后的神经网络进行了评估。

    Jun, 2022