SharpNet:单目深度估计中遮挡轮廓的快速准确恢复
该论文通过学习预测 2D 位移场,以重采样像素来改进目前单 ocular 深度估计方法中存在的导致 <?occlusion?> 边界平滑、定位精度差的问题,从而提高了物体识别和场景重建的精度。
Feb, 2020
本文提出了一种基于神经网络的方法,将双目摄像机的立体匹配与双像素传感器的立体匹配相结合,以实现精准的景深图像,避免了前人研究中存在的模糊和匹配错误等问题,该方法对计算机摄影应用具有重要意义。
Mar, 2020
提出了一种基于学习的多帧深度估计方法,通过引入组合法线图约束和遮挡感知策略,能更好地保留室内场景中的高曲率特征和全局平面区域,并优于其他算法在深度估计精度和保存几何特征方面的表现。
Apr, 2020
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
该论文提出了一种改进的自监督学习方法,包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失,以实现单眼深度估计。研究结果表明,该方法能够在 KITTI 基准测试上达到业界领先的结果。
Jun, 2018
提出一种多假设深度表示,将景深外推而非内插,将外推的曲面融合为一个深度图像,并使用非对称损失函数训练神经网络以同时进行曲面外推和曲面融合,最后在 KITTI、NYU2 和 Virtual KITTI 三个数据集上验证了该方法的提升效果
Apr, 2021
这篇论文总结了 RoboDepth 挑战中的获胜解决方案,重点关注鲁棒的自监督和全监督深度估计,涉及了深度估计、挑战赛、深度预测、超分辨率和降噪等方面的创新设计。
Jul, 2023
这篇论文提出了一种名为 DeepShadow 的方法,它可以通过光度立体阴影图从自身和投影的阴影中恢复深度图和表面法线,从而进行 3D 重建。该方法不需要预训练或昂贵的标记数据,在推理时进行优化,使用神经网络进行 3D 形状重建。
Mar, 2022
本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法,在公共 KITTI 基准测试中取得了目前最好表现。
Oct, 2018
通过假设 3D 场景由分段平面组成,本文提出了针对单目深度估计和补全任务的新型物理(几何)推动深度学习框架。我们通过估计表面法线和平面到原点的距离图或补全稀疏表面法线和距离图作为中间输出,提出了一个法线 - 距离模块。同时,通过开发出平面感知一致性约束来规范化表面法线和距离图,并将其转换为深度图。此外,还集成了一个额外的深度模块来增强所提出框架的鲁棒性。在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上的大量实验表明,我们的方法在单目深度估计和补全任务方面胜过了先前的最先进竞争方法。
Nov, 2023