CVPRApr, 2019

DistanceNet：使用循环卷积神经网络从单目图像估计行驶距离

PDF
TL;DR本文提出了一种新颖的端到端多对一行进距离估计模型 (DistanceNet) 来解决传统单目 vSLAM/VO 在尺度歧义问题上的不足，该模型利用了深度学习技术，基于卷积神经网络 (CNN) 和循环神经网络 (RNN) 学习几何特征和动态信息，利用排序回归方法预测图像序列中相邻帧之间的行进距离，并在 KITTI 数据库上进行评估，结果表明该模型在行进距离预测方面优于当前最先进的深度学习位姿估计器和传统的单目 vSLAM/VO 方法。
monocular vslam/voscale ambiguitydeep learningconvolutional neural networkkitti dataset
发现论文，激发创造
  • DeepVO：用深度递归卷积神经网络实现端到端视觉里程计

    本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。

    Sep, 2017

  • 基于递归神经网络的单目视觉里程计和深度（非）监督学习

    本研究提出了一种利用循环神经网络和多视图图像重投影以及前向 - 后向流一致性损失来训练的学习型多视图稠密深度地图和里程计估计方法，可用于视频的深度和视觉里程计估计，产生优于现有技术的单视图和多视图深度估计结果。

    Apr, 2019

  • 视觉里程计再探：应该学习什么？

    本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

    Sep, 2019

  • 端到端 6 自由度视觉定位和里程的深度全局相对网络

    本文提出了一种基于深度端到端网络的长期六自由度视觉里程法，通过融合相对网络和全局网络来改进单目定位的准确性，并使用交叉变换约束和均方误差来优化参数，实验结果表明本方法在位姿准确性方面优于其他最先进的基于学习的视觉里程计方法。

    Dec, 2018

  • 机器人定位与建图终稿 —— 用于自监督式深度视觉测距的顺序对抗学习

    使用深度神经网络进行图像生成任务以提取高级特征，进而估计视觉里程碑的深度和位姿，同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。

    Sep, 2023

  • CNN-SLAM: 实时稠密单目 SLAM 与深度预测学习

    本文研究了如何利用卷积神经网络深度预测图来进行准确而密集的单目重建，并提出了一种将 CNN 预测的密集深度图与直接单目 SLAM 测量所获得的深度测量自然融合的方法，证明了这种方法在场景重建绝对尺度估计等方面的鲁棒性和准确性。最终，提出了一个将语义标签与单个帧的密集 SLAM 高效融合的框架，能够从单个视图中获得语义一致的场景重建。

    Apr, 2017

  • 使用深度卷积神经场从单目图像中学习深度

    本文提出了一种使用卷积神经网络和条件随机场的深度学习模型，针对单目图像的深度估计问题，其中结构化的学习框架学习连续 CRF 的一元和二元势函数；基于全卷积网络和新的超像素池化方法，提出了一种更有效的模型，在室内外场景数据集上表现优于现有的深度估计方法。

    Feb, 2015

  • 不要忘记过去：从单目视频中的循环深度估计

    本文介绍了一种基于 ConvLSTM 和三种不同类型深度预测网络的自监督实时单目深度估计和完成方法，能够产生一系列的深度图，该方法灵活且可与不同类型稀疏深度图案件组合使用，实验表明，我们的方法在自监督场景中始终优于其基于图像的对应方法，并且在三个流行组的深度预测方法中也表现出更好的性能。

    Jan, 2020

  • 使用深度全卷积残差网络将单目图像深度估计视为分类问题

    通过像素分类的方式实现单目图像深度估计，利用深度残差网络进行预测，同时采用全连接条件随机场 (CRF) 进一步提升效果。在室内和室外数据集上实现了最先进的性能表现。

    May, 2016

  • 深度视觉里程计引导特征选择

    本文提出了一种基于深度卷积递归神经网络的端到端视觉里程计体系结构，该体系结构使用了有指导的特征选择方法。实验表明，在流行的 KITTI 和 ICL_NUIM 基准测试中，我们的方法在解耦和关节相机姿态恢复方面都优于当前最先进的基于模型和基于学习的方法。

    Nov, 2018