ECCVJul, 2018

深度虚拟立体里程计：利用深度预测为基准的单目直接稀疏里程计

PDF
TL;DR通过利用深度单目深度预测来改进单目视觉里程计，利用直接虚拟立体测量方法将深度预测与 Direct Sparse Odometry（DSO）相结合，关键考虑半监督学习，并在 KITTI 基准测试中超越其他的方法，实现了与基于立体相机的方法相当的性能。
发现论文，激发创造
  • 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

  • D3VO：单目视觉测距、姿态和不确定性的深度模型

    提出一个新的单目视觉里程计框架 D3VO，它利用三个层次的深度网络 —— 深度、姿态和不确定性估计，并使用自监督单目深度估计网络训练了预测亮度变换参数，提高了深度估计精度和提供了学习到的光度残差加权函数，进而实现前端跟踪和后端非线性优化。在 KITTI 里程测量基准和 EuRoC MAV 数据集上测试表明，D3VO 在单目视觉里程计方面的表现优于传统方法和其他最先进的 VO 方法，同时仅使用一个相机就可以实现与最先进的立体 / LiDAR 里程测量和最先进的视觉惯性里程测量相媲美的结果。

    Mar, 2020

  • 基于深度特征重建的单目深度估计和视觉里程计无监督学习

    本文探讨了利用立体序列进行深度和视觉里程计学习的方法，并在 KITTI 行驶数据集上的实验表明，我们的方法优于现有的基于学习的方法。

    Mar, 2018

  • Stereo DSO：基于双目相机的大规模直接稀疏视觉里程计

    提出了立体直接稀疏测距（Stereo DSO）作为一种新的方法，用于从立体相机中高精度实时估计大型环境的视觉测距，尤其是通过采样图像区域中具有足够强度梯度的像素实现实时优化和固定基线三维重建。

    Aug, 2017

  • CNN-SVO: 使用单张深度预测改进半直接视觉里程计中的映射

    本文提出一种改进的半直接视觉里程计 (Semi-direct Visual Odometry) 方法，利用单张图片进行深度预测，并将预测的深度值初始化到特征点。通过降低深度不确定性，实现视图之间稳定的特征对应，以及更快的真实深度估计。实验结果表明，改进后的方法在 KITTI 和 Oxford Robotcar 数据集上的跟踪精度和鲁棒性都有所提高。

    Oct, 2018

  • 用于单目视觉里程计尺度估计的密集预测变换器

    本文使用密集预测变换器模型进行尺度估计，解决单目视觉测距系统中尺度漂移问题，通过深度图的准确估计，取得竞争性的最新成果。

    Oct, 2022

  • 直接稀疏里程计

    提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构 - 在参考帧中表示为反深度 - 和相机运动）的一致联合优化相结合。

    Jul, 2016

  • 使用直接法从单目视频中学习深度

    本文探讨单图像的深度预测问题。通过直观运动估计技术的启发式方法，可以进行无监督的深度卷积神经网络学习，同时结合了一种新的深度归一化策略，实验结果显示优于现有的监督方法。

    Dec, 2017

  • 单目深度图预测的半监督深度学习

    本文提出了一种半监督学习的深度学习方法，通过稀疏的真实深度数据和直接图像对齐误差来学习单目图像深度地图的预测，实验结果表现出一定的优越性。

    Feb, 2017

  • UnDeepVO: 无监督深度学习单目视觉里程计

    本文提出了一种新颖的单目视觉里程计（VO）系统 UnDeepVO，其能够使用深度神经网络估计单目相机的 6-DoF 姿态和视野深度，该系统具有无监督深度学习方案和绝对尺度恢复两个显着特点，并且在 KITTI 数据集上获得了良好的姿态精度。

    Sep, 2017