ECCVSep, 2018

Defocus 和 DNN：如何通过 DNN 利用 Defocus 模糊提高 3D 估计的深度

PDF
TL;DR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。
发现论文，激发创造
  • 聚焦模糊：连接深度估计合成与实际领域的差距

    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

  • DeepLens：从单幅图像产生浅景深

    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

  • 使用双像素数据进行散焦去模糊

    该研究提出了一种有效的去除焦外模糊的方法，利用大多数现代相机上的双像素传感器捕获的数据，通过深度神经网络结构来减少焦外模糊，并且通过精心捕获的数据集来证明了该方法的可行性。

    May, 2020

  • 无相机独立的单张图像焦外模糊深度估计

    用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。

    Nov, 2023

  • 单张图像深度估计训练

    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

  • 使用光场生成和实际虚焦图像进行去模糊学习

    本文提出了一种新型深层次解除虚焦模糊网络，它通过使用光场技术生成高度准确的图像配对，并使用 Feat?ure loss 技术改善二次拍摄方法捕捉到的图像失焦，取得了在多个测试集上的良好表现。

    Apr, 2022

  • 单目深度估计和 3D 物体检测的深层光学

    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

  • 深度和景深线索让去焦模糊检测更好

    本文提出了一种名为 D-DFFNet 的方法来检测图片中的 defocus 模糊区域。该方法通过隐式地结合深度信息和 DOF-edge 损失函数来理解 defocus 现象，并通过从预训练的单眼深度估计模型中提取深度特征。在公开基准数据集和新的大型数据集 EBD 上，该方法优于现有的各种方法。

    Jun, 2023

  • 深度自聚焦

    本文提出了一种端到端的学习方法，称为 “Deep Depth From Focus (DDFF)”，该方法基于深度神经网络，利用配备了 co - 校准的 RGB-D 传感器的光场相机进行数据采集，数据集比既有基准数据集大 25 倍，可以用于解决计算机视觉中的 “Depth from focus (DFF)” 逆问题，实验结果表明，所提出的方法 “DDFFNet” 在所有场景中都取得了最先进的性能。

    Apr, 2017

  • 深度蒸馏下的散焦模糊检测

    本文提出了一种将深度信息引入到 DBD 任务中，使用知识蒸馏的方法共同学习深度和模糊信息，设计了一个新的 FCN 网络结构，利用选择式接收域块和监督引导注意力块来提高多尺度特征的合并效率，实验证明该方法优于 11 种其他最先进的方法，并且单 GPU 上运行速度达到 30fps 以上，是以前方法的两倍更快。

    Jul, 2020