SweepNet: 宽基线全向深度估计
本文提出了一种新颖的端到端深度神经网络模型,用于从广角多视角立体成像中实现全向深度估计,并提出了大规模的合成数据集来用于算法的训练与测试。结果表明,所提出的方法在合成和实际环境中都生成了出色的结果,并优于现有技术。
Aug, 2019
本文提出了一种卷积神经网络,称为 DPSNet,它采用平面扫描算法,通过构建成本体积、成本聚合以及回归密集深度图的方法,有效地结合了传统多视角立体视觉的概念,取得了在多种具有挑战性的数据集上的最新重建结果。
May, 2019
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
本论文研究了 360 图像的深度估计问题,提出了使用重新渲染的 3D 在线数据集来解决缺乏高质量 360 数据集的挑战,并使用这个数据集实现了端对端的深度估计模型
Jul, 2018
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
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
通过深度学习的全景深度估计和新视角渲染,本研究提出了 MSI-NeRF 方法,能够在虚拟现实应用中保留和利用原始鱼眼相机中的视差信息,实现全景的深度估计和六自由度视角合成。
Mar, 2024
本文提出了一种用于估计一致密集深度图和相机姿态的算法,该算法基于学习的深度先验和几何优化相结合,不需要输入相机姿态,并能够在包括噪声、抖动、运动模糊和卷帘快门失真等多种挑战性条件下实现稳健的重建。
Dec, 2020
提出了一种使用卷积神经网络(CNN)从立体图像估计深度,利用预测的深度图进行体积融合,进而恢复场景的三维重建方法,该方法采用了新的深度细化架构,实现了先进成本滤波架构成本的近半降低,采用风暴池架构进行特征提取,该方法在多个基准数据集上均取得了领先的成果。
Apr, 2019
本文提出在未经校正的鱼眼图像上运行的多任务视觉感知网络来加强自动汽车系统的六个主要任务,其中包括深度估计,视觉测距,语义分割,动态分割,目标检测以及镜头污染检测,通过联合训练模型,在 KITTI 数据集上实现深度估计和姿态估计任务的最新结果。
Feb, 2021