利用深度神经网络嵌入从单张图像中学习深度焦距
本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统,并通过实验证明,相较于清晰图像,焦外特征能够有效提升深度预测准确性。
Sep, 2018
我们开发了一种焦距和比例尺深度估计模型,能够从单个图像中准确学习未见过的室内场景的绝对深度图。我们通过采用相对深度估计网络学习相对深度和多尺度特征,并将它们与绝对深度估计网络一起输入,从而显著提高了深度估计的泛化能力,在三个未见过的数据集上比起其他五个最先进的深度估计模型,我们的模型将波动率均方根误差 (RMSE) 降低了 41%/13%,并且有效缓解了三维重建中的变形问题,同时也能保持对原始数据集的深度估计准确性。
Jul, 2023
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
本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题,并利用置换不变卷积神经网络利用虚焦提示,通过不同焦点的图像差异训练模型,从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。
May, 2020
本文提出了一种使用卷积神经网络和条件随机场的深度学习模型,针对单目图像的深度估计问题,其中结构化的学习框架学习连续 CRF 的一元和二元势函数;基于全卷积网络和新的超像素池化方法,提出了一种更有效的模型,在室内外场景数据集上表现优于现有的深度估计方法。
Feb, 2015
研究探讨了在混合数据深度预测训练中使用的位移不变重建损失所引起的未知深度偏移及可能的未知相机焦距问题,并设计了一个两阶段框架以实现单目图像深度预测,并使用三维点云编码器预测遗漏的深度偏移和焦距以恢复逼真的 3D 场景形状,本文提出了图像级标准化回归损失和基于法向几何损失的方法,以增强用混合数据集训练的深度预测模型,该深度模型在 9 个不可见数据集上测试并取得了零样本数据集泛化的最新性能记录。
Dec, 2020
使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制,从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比,该方法在景深控制和光圈大小选择方面更加灵活,且生成的图像质量较好。
Oct, 2018
本研究通过对 Godard 等人开发的 MonoDepth 网络的分析,探究其利用视觉线索进行深度估计的技术特性,并发现该网络忽略已知障碍物的表面大小,而是利用其在图像中的垂直位置进行深度估计,但也有一定局限性。研究进一步表明,MonoDepth 使用垂直图像位置的技术特性能够估计到任意障碍物的距离,但对于障碍物的下边缘必须有有效的边缘信息。
May, 2019
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