Aug, 2017

基于超像素正则化的部分遮挡区域精确光场深度估计

PDF
TL;DR本文提出了一种深度估计框架，通过超像素的规则化来检测部分遮挡边界区域，结合标签置信度图和边缘强度权重的缩减 / 强制操作，可以修复一些复杂场景中的深度估计问题。实验结果表明，在平均视差误差率、遮挡边界精确度和特征保存等方面，该方法优于现有的最先进的深度估计方法。
depth estimationlight field photographyepipolar-plane imagesocclusionsregularization
发现论文，激发创造
  • 基于遮挡感知的四维光场深度非监督学习

    提出一种基于无监督学习的深度估计方法，通过探索角度的一致性和权重平滑性，实现在真实场景数据下进行更高精度的深度估计。

    Jun, 2021

  • 基于图形正则化的光场超分辨率

    本研究提出了一种新的光场超分辨率算法，采用多帧方法，使用不同光场视图中的信息来增强整个光场的空间分辨率，结合图形正则化器通过非局部自相似性来避免各个视图昂贵且具挑战性的差异估计步骤。实验表明，本算法在 PSNR 和视觉质量方面都与其他光场超分辨率最先进方法相比优越。

    Jan, 2017

  • 光场下基于遮挡模型的反遮挡深度估计

    本文中，我们探索了轻场中的多遮挡模型，并得出了空间和角度空间之间的遮挡一致性，这被用作选择每个候选遮挡点的未遮挡视图的指导。接着我们建立了一个反遮挡能量函数来规范深度图。公共轻场数据集上的实验结果证明了所提出算法相对于其他现有的轻场深度估计算法的优势，特别是在多遮挡区域。

    Aug, 2016

  • 基于迭代遮挡感知的四维几何线索光场深度估计

    基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26.3％，在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。

    Mar, 2024

  • 基于深度排列几何嵌入和结构一致性正则化的光场空间超分辨率

    本文提出一种基于学习的轻场景图像空间超分辨率框架，在每个轻场景图像视角学习探索不同的信息，并通过正则化网络结构来确保场景的正确视差关系，实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB，而且以更低的计算成本保持了更准确的视差细节。

    Apr, 2020

  • 联合基于图形的深度细化和法线估计

    本文提出了一种新颖的深度细化框架，旨在恢复逆深度图的分段平面特征，该框架将逆深度图建模为像素之间的加权图，设计了一种自动估计每个像素平面的正则化项，经过实验证明，该方法在视觉和数值上均相对于 Middlebury、KITTI 和 ETH3D 多视角立体数据集上的最先进算法有重大改进。

    Dec, 2019

  • SuperDepth: 自监督、超分辨率单目深度估计

    本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

    Oct, 2018

  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • 利用位移场在单目深度估计中预测锐利和精确的遮挡边界

    该论文通过学习预测 2D 位移场，以重采样像素来改进目前单 ocular 深度估计方法中存在的导致 <?occlusion?> 边界平滑、定位精度差的问题，从而提高了物体识别和场景重建的精度。

    Feb, 2020

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020