自监督的孪生学习用于机器人手术中基于双目图像的深度估计
通过自监督学习和卷积神经网络,本文研究了自主机器人如何学习来提高其深度估算能力,并在实验中表明,即便在较低的置信区域,融合立体和单目估计可比仅使用立体视觉估计提供更可靠的深度地图,从而使立体视觉机器人可以更加可靠地实现自主导航。
Mar, 2018
本论文提出了一种新型的自监督单目深度估计方法,使用两张图像进行训练以及基于 Siamese 网络结构只使用其中一张图像来预测深度,在 KITTI 基准测试和 Make3D 基准测试中均取得了最优结果。
May, 2019
本文提出了一种基于表面感知性约束的深度估计方法,将相机参数纳入训练管道以增加深度估计的控制和透明度,并整合了去除高光模块以恢复更多 buried image 信息,且实验和用户研究证明了该方法的有效性。
Mar, 2022
该论文提出了一种自监督学习的方法,利用几何先验和自编码器来提高单目深度估计的效果,实验结果表明该方法在 KITTI 数据集上的表现优于现有方法,适用于高性能 GPU 和嵌入式设备。
Aug, 2019
建立了一种自监督深度和相机自运动估计系统,能够预测准确的深度图、相机姿态和相机内部参数,并通过基于成本体积的监督方式提高了估计的准确性。
Aug, 2023
本文介绍了一种新方法,可将任何现成的自我监督的单目深度重建系统扩展到在测试时使用多个图像。该方法利用自我监督来提高多个视图可用时深度重建的准确性,在 KITTI 基准测试中,我们的自我监督方法在常见的三种设置(单目、立体和单目 + 立体)下平均减少绝对误差 25%,并在准确性上接近完全受监督的最先进方法。
Apr, 2020
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
提出了一种基于单目内窥镜数据的自监督卷积神经网络训练方法,无需解剖学或阴影的先验建模,仅需要单目内窥镜视频和多视角立体方法,如运动结构,以稀疏方式监督学习。
Feb, 2019