全景室内密集深度估计
提出一种基于切线图像的高分辨率 360 度图像单目深度估计方法,通过将输入的 360 度图像投影到切线平面上得到透视视图,以此来支持最新的和最准确的单目深度估计器,采用可变形多尺度对齐和梯度域混合来重新组合单个深度估计,产生具有高分辨率和高细节的稠密 360 度景深图。
Nov, 2021
360 度图像的深度估计是虚拟现实、自主导航和沉浸式媒体应用中至关重要的,本研究提出了一种使用未标记 360 度数据的深度估计框架,通过六面立方体投影技术生成伪标签来高效标注 360 度图像的深度,并在深度估计的准确度上展示了显著改进,特别是在零样本情况下。
Jun, 2024
本篇论文提出了一种名为 OmniFusion 的 360 单目深度估计流程,通过将 360 图像转换为切线图像并采用 CNN 进行分段预测,最后合并分段结果以处理球形畸变问题,并通过几何感知特征融合机制、自注意力变换架构和迭代深度细化机制处理分段预测不一致问题,成功的在多个 360 单目深度估计基准数据集上取得了最先进的性能。
Mar, 2022
本文介绍了一个大规模 360 度视频数据集,包含各种环境和上下文,以及相机的姿态和深度图,证明了该数据集在单一图像深度估计和视图合成两个主要任务中的相关性。
Jun, 2024
提出一种新的神经网络架构,用于解决 360° 图像中的球面视差问题,并通过学习可移位滤波器构建代价体积以缓解失真问题,实验结果表明其对现有算法具有较好的鲁棒性和准确性。
Nov, 2019
本文探讨了自我监督的球面视图综合方法对于学习单目 360 度深度的可行性,并利用几何形式提出了水平和垂直基线、三目的结果。同时,本研究还展示了在等距矩形域内应用传统 CNN 的表现更佳的方法,并利用地面真实深度数据进行比较,结果表明①替代性研究方向可能更适合实现更高质量的深度感知。
Sep, 2019
Pano3D 是一个新的基准测试,在全景照片深度估计技术中评估性能,主要目标是精度和准确性,次要目标是边界保留和平滑性。利用不同的测试数据集,Pano3D 不仅可以评估同一数据集内的性能,还可以评估推广到不可见数据的能力。我们在此基础上进行了扩展分析,从而为全景深度估计领域提供了坚实的基础。后续研究可以在此基础上继续推动进步。
Sep, 2021
这篇论文提出了一种新的网络模型 (DAMO) 来解决室内全景图像中对象失真的问题,该模型采用扭曲卷积来处理几何失真,进一步引入了基于球形感知的权重矩阵来处理由球体投影引起的不均匀分布,在 360D 数据集上实现了效果最佳的表现。
Oct, 2020
本研究提出了一种处理全景图像的深度学习算法,通过样式和投影转换,重新训练和调整现有的算法,从单目全景图像中恢复场景深度和车辆的三维姿态,大大提高了无人驾驶汽车使用全景摄像头时的准确性。
Aug, 2018
本文综述了基于单个、两个或多个以全景光学成像系统拍摄的图像的先驱和最先进的三维场景几何估计方法,包括基于全景数据的单目布局和深度推断、球面域上的立体匹配,以及使用多视角相机设置的光场、多视图立体和运动结构等方面的方法,并讨论了各种目的的常用数据集和性能指标。最后,指出了当前和未来的研究趋势。
Jan, 2024