CVPRNov, 2017

单目深度估计的光圈监督

PDF
TL;DR本文提出了一种新方法，通过使用相机光圈所提供的信息作为监督来训练机器学习算法从单幅图像中估计场景深度。为了使学习算法能够使用光圈效应作为监督，我们引入了两个可微的光圈渲染函数，使用输入图像和预测深度来模拟实际相机光圈引起的景深效应。然后我们通过端到端地训练单目深度估计网络来预测场景深度，使其最好地解释这些有限光圈图像作为输入全焦距图像的虚焦模糊渲染。
machine learningdepth estimationaperture renderingmonocularsupervision
发现论文，激发创造
  • 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

  • 利用光圈渲染生成对抗网络从自然图像中无监督学习深度和虚化效果

    本文引入了孔径渲染生成对抗网络（AR-GANs），使用焦点提示学习深度及深度场效应，并且通过深度场混合学习减少了无监督学习的歧义，实现了多样化的图像生成。

    Jun, 2021

  • 基于自监督学习的单目图像深度估计

    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

  • 通过全焦深度监督桥接无监督和有监督的焦深度

    本文提出了一种方法，可以从具有不同对焦位置的图像集中估计深度图和全焦图像，并设计了一种共享网络结构来利用深度估计和全焦图像的关系，通过有监督学习和无监督学习两种方式进行训练，并在实验证明该方法具有比现有方法更高的定量和定性性能以及更高的推理效率。

    Aug, 2021

  • 无相机独立的单张图像焦外模糊深度估计

    用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。

    Nov, 2023

  • 单目深度估计和 3D 物体检测的深层光学

    本文介绍了深层光学的概念，通过编码式的散焦模糊作为额外的深度线索，以端到端设计的光学和图像处理结合来解决单张图像的深度估计问题，提出了几种光学编码策略，并针对三个数据集进行了深度估计的端到端优化方案评估，结果表明在自由镜面设计方面得到了最佳结果，同时，使用单片透镜的色差也可以实现显著的改善深度估计性能，我们构建了一个物理原型，并验证色彩象差改善了在真实世界中的深度估计结果。此外，我们还在 KITTI 数据集上训练了物体检测网络，并表明为深度估计优化的镜头也导致改进了 3D 物体检测性能。

    Apr, 2019

  • 基于深度学习的单目深度估计：综述

    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

  • 自监督单目深度估计探究

    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

  • 利用传统视觉里程计增强自监督单目深度估计

    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

  • 自监督实例适应的单目深度估计

    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