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
本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时,单目深度估计的问题,并在 NYUD v2 数据集上改进了大部分最先进的模型。
Aug, 2019
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
该研究对基于深度学习的单张图像深度估计方法进行了调研,总结了常用的数据集、评价指标和不同的训练方式,并讨论了未来研究中的挑战和方向。
Mar, 2020
本研究提出了针对稀疏深度图的深度补全方法,采用深度回归学习模型,通过自监督训练框架实现对稀疏深度图的快速、精准深度补全,实验结果表明本方法在 KITTI 深度补全基准测试中获得了最佳结果。
Jul, 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
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
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
该研究针对单目深度估计的自监督学习方法,在不需要昂贵激光扫描或其他基础数据的情况下,使用 Depth Hints 通过加入来自简单立体算法的参考感知补充了光度学重投影代价函数,从而提高训练深度估计网络时的深度预测精度,该方法取得了在 KITTI 数据集上的最优预测效果。
Sep, 2019
这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型,以提高相机获取的图像的三维深度感知的精度。
Apr, 2023