Apr, 2018

从RGB和稀疏感知估计深度

HTML
PDF
TL;DR本研究提出了一种深度模型，能在极少的像素点处获得 RGB 图像的已知深度情况下，精确地生成密集深度图，并能在 NYUv2 和 KITTI 数据集上实现近乎实时速度的室内/室外场景的高质量深度点云。与其他稀疏到密集深度方法相比，在每 ~10000 个像素中仅有一个像素的情况下，我们的深度估计准确度比现有最新算法还要高，仅在图像 1/256 的像素上估计，我们的精度就相当于消费级深度传感器的性能，本研究说明了将稀疏深度测量（如低功率深度传感器或 SLAM 系统获得）高效地转换成高质量的密集深度图是完全可能的。
发现论文，激发创造
  • 稀疏到密集：从稀疏深度样本和单幅图像中预测深度

    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

  • 即时重建：使用单视图深度预测器作为先验信息为稀疏地图进行修补

    该研究介绍了一种实时图像引导的 inpainting 方法，以有任意尺度和稀疏度的地图作为输入，使用单视角深度预测网络作为虚拟深度传感器生成一个完全密集的深度图像。

    May, 2018

  • 神经网络RGB->D感知：从视频摄像机中获得深度和不确定性

    本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通RGB相机转换成RGB-D相机，并实现更为精确、稳定、泛化性更好的3D场景重建。

    Jan, 2019

  • 单目深度估计：综述

    论文综述了五篇应用不同技术（包括监督、弱监督和无监督学习技术）尝试解决单目深度估计问题的论文，并比较这些论文之间的改进和理解，最后探讨了可能有助于更好地解决这一问题的潜在改进。

    Jan, 2019

  • 基于 RGB 引导和不确定性的稀疏嘈杂 LiDAR 完整

    提出了一种新的方法，利用RGB图像指导生成稀疏的LiDAR地图的精确深度预测，通过融合RGB图像引导可以提高深度预测的准确性。该方法的实现在KITTI深度完成基准测试中得到了最佳成绩。

    Feb, 2019

  • 基于图像深度重建的深度学习架构综述

    本文综述了近五年来使用深度学习技术从单个或多个图像中估计深度的100多个关键性贡献，总结了最常用的深度重建流程及其优缺点，并讨论了其研究的未来。

    Jun, 2019

  • 稀疏辅助网络实现单目深度预测和补全

    研究了如何从单个RGB图像中预测密集深度，并引入了新的Sparse Auxiliary Networks模块来同时执行深度预测和补全任务。在室内和室外数据集上的实验结果表明，该模块能够同时学习两个任务，并在深度预测方面取得重大进展。

    Mar, 2021

  • 室内深度补全的RGB-Depth融合GAN

    本文提出了一种基于深度信息补全技术，使用RGB图像和不完整的深度图像进行输入，设计了一种新的两支分支端对端融合网络，其中一个支路使用编码器 - 解码器结构从原始深度图中对局部密集深度值进行回归，另一个分支提出了一种RGB深度融合GAN，通过自适应融合模块和置信度融合头来融合这两个分支的输出，从而实现了对室内环境中丢失深度数据的精确补全。

    Mar, 2022

  • 基于深度学习的单目图像和视频深度估计方法：综述

    该论文综述了基于深度学习的单个RGB图像和视频的深度估计方法，包括输入输出模态、网络结构和学习方法的分类，历史里程碑，以及现有方法使用的流程、数据集和评估指标。

    Jun, 2024

  • 按需深度：从低帧率主动传感器流式传输密集深度

    本研究解决了低帧率传感器在机器人和汽车感知中深度估计精度不足的问题。提出的按需深度(DoD)方法，通过结合高帧率RGB传感器和低帧率稀疏深度传感器，实现了能耗降低和高密度形状重建。该方法在室内外视频数据集上的有效性评估表明，其在环境扫描和汽车感知的应用潜力显著。

    Sep, 2024