Oct, 2018

每个像素都很重要 ++：3D 整体理解中几何和运动的联合学习

PDF
TL;DR本文主要探究利用神经网络从无标注视频中学习单帧 3D 几何和连续帧光流，并将二者并行处理整合得到更好的结果，通过综合实验结果表明该方法优于其他方法。
3d geometryoptical flowdeep convolutional networkmotion parsermoving object segmentation
发现论文，激发创造
  • 每个像素都很重要：利用整体三维运动理解进行无监督几何学习

    本文通过在未标记视频上观看，利用深度卷积神经网络来学习单张图像的三维几何估计，通过将像素水平的三维物体运动加入到学习框架中，提供了整体的三维场景流理解并有助于单张图像的几何估计。

    Jun, 2018

  • EpO-Net: 基于密集轨迹的几何约束在运动显著性中的应用

    利用多视角几何约束和轨迹极线距离识别背景和前景，结合光流和输入 - 丢失机制提出了一种有效的运动网络，与先前的方法相比在 DAVIS-2016、2017 和 Segtrackv2 数据集上均获得了更好的效果。

    Sep, 2019

  • 全面实时追踪万物

    我们提出了一种新的测试时间优化方法，用于从视频序列中估计密集和长程运动。该方法使用全局一致的运动表示法，并在局部和规范空间之间使用双向对应实现像素级跟踪，能够确保全局一致性，跟踪通过遮挡的像素，并模拟相机和物体运动的任意组合。

    Jun, 2023

  • 单目视频的逐帧深度与运动学习

    我们提出了一种全面的联合训练框架，该框架在单目相机设置中明确建模多个动态对象、自我运动和深度而不需要监督，并且具有高效的深度和运动估算，并通过实验证明了其优于现有深度和运动估算方法。

    Dec, 2019

  • 使用极线时空网络的多视角深度估计

    本文提出了一种针对多视角深度估计的新方法，使用 Epipolar 时空变换器和混合专家模型，实现与 SOTA 方法相比更高的估计精度和速度。

    Nov, 2020

  • 高效准确的场景流连续优化方法

    本文提出了一种用于从立体影像中求解密集的三维场景流问题的连续优化方法，其中将动态三维场景表示为一系列刚性运动的平面段，使用预先确定的精细超像素分割，将问题分解为光度学、几何和平滑约束，并使用 Levenberg-Marquardt 进行全局非线性优化。

    Jul, 2016

  • 基于光流和伪深度图的密集单目运动分割：一种零样本方法

    我们提出了一种创新的混合方法，既利用深度学习方法又利用基于光流的传统方法来进行密集运动分割，而无需进行任何训练。

    Jun, 2024

  • 快速多帧立体场景流与运动分割

    本研究提出了一种新的多帧场景流计算方法，包括景深和光流以及相机自运动，同时从移动立体相机中观察动态场景，并将移动对象与固定场景分割开来。该技术在立体匹配和视觉里程计中使用独特的策略，融合移动目标的光流信息和相机基于运动流的信息来提高场景深度和相机自运动估计的精度和效率。

    Jul, 2017

  • 利用深度学习的光流生成移动物体候选框进行视频物体分割

    本研究提出了一种先进的神经网络结构，通过训练无监督的卷积神经网络对光流进行估计，然后将光流网络的输出渲染到完全卷积 SegNet 模型中，从而准确高效地获取运动目标提案。

    Feb, 2024

  • PWOC-3D: 深度遮挡感知的端到端场景流估计

    使用卷积神经网络中的 PWOC-3D 架构来解决场景流问题，该架构使用专门的设计决策来处理大运动和遮挡等挑战，并提出了一种自监督策略来预测图像中的遮挡，从而在 KITTI 基准测试和具有挑战性的 FlyingThings3D 数据集上实现了具有竞争力的结果。

    Apr, 2019