Jul, 2018

使用循环生成网络的无监督敌对深度估计

PDF
TL;DR本文提出了一种基于对抗学习框架的无监督深度学习方法，用于预测深度图，通过学习预测校准立体相机设置下两个图像视图之间的对应场，提出了一个有两个生成子网络的架构，它们通过对抗训练共同用于重建视差图并相互约束和监督。实验结果表明，该模型可以有效地解决深度估计任务。
发现论文，激发创造
  • 通过对抗训练重新思考单目深度估计

    该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。

    Aug, 2018

  • 半监督对抗式单目深度估计

    本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

    Aug, 2019

  • 无监督单目深度预测的双向循环约束和自适应正则化

    使用几何方法和立体图像训练卷积神经网络可以在单张图片中预测场景深度，性能优于最先进的无监督单目深度预测方法，并适用于不同数据集。

    Mar, 2019

  • GANVO: 基于生成对抗网络的无监督单目视觉里程计与深度估计

    本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

    Sep, 2018

  • Refine and Distill: 利用循环不一致性和知识蒸馏进行无监督单目深度估计

    提出了一种基于自监督深层模型的新型单目深度估计框架，其中包括通过反向循环模型进行的深度估计网络优化、信息蒸馏等策略。此框架在 KITTI 基准测试中表现出良好的性能，胜过了目前的非监督方法。

    Mar, 2019

  • 对单目深度估计采用对抗性训练的益处

    本研究探讨了将对抗性训练应用于单目深度估计任务中的益处，并扩展了自监督网络以成为生成对抗网络（GAN）来实现全局一致性。通过对不同像素级重构损失结合 Vanilla GAN， LSGAN 和 Wasserstein GAN 等进行广泛的实验评估，得出当重构损失不太受限制时，对抗训练是有益的结论，并证明在使用批量归一化时，无需使用 GAN 的非对抗性训练法表现优异。因此，我们采用批量规范化和不同的输出比例，获得了最新的单目深度估计结果。

    Oct, 2019

  • SGANVO: 堆叠生成对抗网络进行无监督的深度视觉里程计与深度估计

    该研究提出了一种新的无监督网络系统用于视觉深度和自我运动估计：堆叠生成对抗网络 (SGANVO)。该系统由一堆 GAN 层组成，其中最底层估计深度和自我运动，而更高的层估计空间特征，并且由于在层之间使用了循环表示，可以捕捉时间动态。该方法在 KITTI 数据集上获得了更好或可比较的深度和自我运动估计结果。

    Jun, 2019

  • 无监督卷积神经网络用于单视角深度估计：几何的拯救

    本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

    Mar, 2016

  • Y-GAN: 多摄像头立体图像深度估计的生成对抗网络

    该研究提出了一种新的深度学习算法，Y-GAN，可以通过利用三个摄像头的数据来估算多摄像头视频流中每一帧的深度图。

    Jun, 2019

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019