基于分层 RGB-D 融合的深度表面法线估计
通过使用一阶微分特性 (即,表面法线),本文展示了训练神经表示形成高准确度的 3D 表面重建,即使只有两个 RGB 视图可用,极大地改善了以前难以捕捉的复杂几何细节和薄结构。
Jun, 2024
本文提出了一种神经网络来估算单张 RGB 图像中前景人物的详细深度图,其中分离深度图为平滑基础模型和残差细节模型设计出两个分支的网络来回归它们,并利用一种新的网络层将粗深度图和表面法线融合以进一步提高最终结果。
Oct, 2019
通过将低频和高频区域分别表示,并结合图像锐化和去噪技术以及估计像素级表面法线向量的网络,我们的混合架构和改进的正常先验可以显著提高室内场景的重建质量。
Sep, 2023
通过使用深度传感器的增强现实设备,我们提出了一种实时的 RGB-D 物体检测模型,其中包括深度引导的超卷积和基于上采样的可训练融合层,提高了从原始深度图中提取深度和彩色图像特征的效率和性能,并在 NYU Depth v2 数据集上表现优于其他基于 RGB-D 的物体检测模型,在 SUN RGB-D 数据集上表现相当出色,并且在新的室外 RGB-D 物体检测数据集上也表现出色。同时,我们的模型在来自 CAD 模型和图像生成的多样化合成数据的性能评估中显示出了应用于增强现实的潜力。
Sep, 2023
利用深度神经网络,通过融合单眼图像和雷达数据点,探索实现更准确的深度估计。我们对来自不同角度的 RGB 图像和雷达测量的融合进行了全面的研究,并提出了一种基于观察结果的有效解决方案。在 nuScenes 数据集上的实验表明,我们的方法优于现有的融合方法,同时我们还提供了详细的剖析研究以展示我们的方法中各组成部分的有效性。
Sep, 2020
本文介绍了一个 DP Depth/Normal 网络,通过收集超过 135K 张 DP 面部数据实现了 3D 面部几何重建,该网络具有自适应采样模块和自适应法线模块,可处理 DP 图像中的虚焦模糊区域,并实现了是取得最新的 DP-based 深度 / 法线估计方法的最优表现,同时也展示了该面部深度 / 法线估计在面部欺骗和光照方面的应用。
Nov, 2021
利用表面法线预测和外观线索从大型 CAD 库中检索 2D 静态图像中所描述的物体的 3D 模型,该模型基于预训练 Oxford VGG 卷积神经网络(CNN),实现了关于表面法线预测的 NYUv2 RGB-D 数据集的最新准确性,并在姿态和风格的联合学习中实现了所述的 3D 模型检索操作。
Apr, 2016