Apr, 2019

单目深度估计和 3D 物体检测的深层光学

PDF
TL;DR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。
depth estimation3d object detectiondeep opticsend-to-end optimizationchromatic aberration
发现论文，激发创造
  • 基于深度学习的单目深度估计：综述

    该研究对基于深度学习的单张图像深度估计方法进行了调研，总结了常用的数据集、评价指标和不同的训练方式，并讨论了未来研究中的挑战和方向。

    Mar, 2020

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

    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。

    Sep, 2018

  • 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

  • 多样性很重要：充分利用深度线索实现可靠的单目三维物体检测

    本文提出了一种基于单张图像深度估计的 3D 物体检测方法，该方法利用细节和多个子任务提取视觉线索并生成多个深度估计值，再通过深度选择和组合策略得到单个深度估计值以提高精度和鲁棒性，在 KITTI 3D 物体检测基准测试中的表现甚至比当前最佳方法都要超过 20%。

    May, 2022

  • 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

  • 针对 3D 物体检测的任务感知单目深度估计

    本文提出了一种单目深度估计方法，通过前景 - 背景分离以及单独优化前景深度和背景深度的目标函数和深度解码器，极大地提高了前景目标深度的估计性能，并在应用于 3D 对象检测中各方面都达到了最先进的成果。

    Sep, 2019

  • NDDepth：正态 - 距离辅助单目深度估计

    基于物理驱动的深度学习框架用于单目深度估计，通过假设 3D 场景由分段平面组成，提出了一种新的正常 - 距离头来推导每个位置的深度，同时，通过开发的面感知一致性约束对正常和距离进行规范化，并引入了额外的深度头来改善框架的鲁棒性，利用有效的对比迭代细化模块根据深度的不确定性互补地对深度进行精细化改进，实验证明该方法在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上超过了现有的最先进竞争方法，值得注意的是，它在 KITTI 深度预测在线基准测试中的提交时间中排名第一。

    Sep, 2023

  • MonoCD: 具备补充深度的单目三维物体检测

    通过增加全局深度线索和利用多个深度线索之间的几何关系，提出的方法可以提高单眼三维对象检测的深度补充性，实现了最新性能并无需引入额外数据。

    Apr, 2024

  • 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

  • 单目深度估计：综述

    论文综述了五篇应用不同技术（包括监督、弱监督和无监督学习技术）尝试解决单目深度估计问题的论文，并比较这些论文之间的改进和理解，最后探讨了可能有助于更好地解决这一问题的潜在改进。

    Jan, 2019