本研究提出了针对稀疏深度图的深度补全方法,采用深度回归学习模型,通过自监督训练框架实现对稀疏深度图的快速、精准深度补全,实验结果表明本方法在 KITTI 深度补全基准测试中获得了最佳结果。
Jul, 2018
本文提出了一种利用综合数据学习稀疏点云与自然场景之间的关联从而从图像和稀疏深度测量中推断出密集深度图的方法。该方法采用先前学习的自然形状先验和图像证据来验证深度图的预测结果,因此可以使用丰富的合成数据来学习重构过程的最困难的组件 —— 拓扑估计并使用图像对估计结果进行精修,从而实现使用更少的参数却在室内和室外基准数据集上达到了最先进的水平。
Jun, 2021
本文研究了利用 VI-SLAM 系统从稀疏深度点云与室内场景图片中学习场景深度完成的问题,特别地,本文使用预训练的表面法向网络结合利用可用的重力估计来修正输入图像的视角限制,从而提高了表面法向估计和深度完成精度。最后,本文在 ScanNet、NYUv2 和 Azure Kinect 数据集上展示了我们的方法超越了其他最先进的方法。
Jul, 2020
提出了一种新的方法,利用 RGB 图像指导生成稀疏的 LiDAR 地图的精确深度预测,通过融合 RGB 图像引导可以提高深度预测的准确性。该方法的实现在 KITTI 深度完成基准测试中得到了最佳成绩。
Feb, 2019
基于激光雷达测量数据和相机图像,本研究提出了一种深度补全算法,通过插值和填充稀疏深度值来提高深度图像的分辨率,并使用时间算法从以往时间步中获取信息利用循环神经网络的方式来修改 PENet 方法,实现了对 KITTI 深度补全数据集的最新成果,相较于原有的神经网络参数和浮点运算仅增加不到 1% 的额外开销,尤其在远处物体和包含少量激光深度样本的区域中准确性得到了显著提高,甚至在没有任何地面真实数据的区域(如天空和屋顶)也观察到了巨大的改进,而这些改进并未被现有的评估指标所捕捉到。
Jun, 2024
该论文提出了一种自监督学习的方法,利用几何先验和自编码器来提高单目深度估计的效果,实验结果表明该方法在 KITTI 数据集上的表现优于现有方法,适用于高性能 GPU 和嵌入式设备。
Aug, 2019
本研究提出了一种基于 3D 感知特征和多视角几何一致性的高精度自监督深度完成方法,通过构建 3D 感知空间传播算法和引入多视角几何约束,实现了无监督下的高精度深度完成,并在 NYU-Depthv2 和 VOID 等评测数据集上取得与有监督方法相媲美的性能。
Dec, 2023
本文提出了一种基于光流和稀疏深度先验的方法,将动态场景模型假设为分段平面模型,计算其局部刚性变换和尽可能刚性的全局变换,无需显式估计 3D 旋转和平移即可高效恢复场景的深度密集图,适用于广泛的场景。
我们提出了一种方法来从彩色图像和相关稀疏深度测量中推断出密集的深度图。我们采用自适应加权方案,结合正则化和共视性关系,利用每个像素点的残差来指导优化过程,以提高训练性能。该方法有效地应用于多种无监督深度完成方法,并在公共基准数据集上改善其性能,不会产生额外的可训练参数或增加推理时间。
本文探讨了利用立体序列进行深度和视觉里程计学习的方法,并在 KITTI 行驶数据集上的实验表明,我们的方法优于现有的基于学习的方法。
Mar, 2018