Jun, 2019

基于场景理解的深度稳健单张图片深度估计神经网络

PDF
TL;DR本篇论文提出了一种适用于室内和室外场景的两阶段 SIDE 框架，能够执行盲 SIDE，并通过使用深度可分卷积设计了一个多任务编码 - 解码 SIDE 网络 DS-SIDENet 以提高准确性。实验证明，该框架对扫描网室内图像和 KITTI 室外图像均表现出色。
single image depth estimation3d computer visionside frameworkscene understandingds-sidenet
发现论文，激发创造
  • MultiDepth: 基于多任务回归与分类的单张图像深度估计

    MultiDepth 是一种新的卷积神经网络训练策略和体系结构，它允许将单个图像深度估计作为多任务问题来解决，辅助性任务可以禁用，从而有效地提高了训练精度和准确性。

    Jul, 2019

  • SDNet: 基于语义引导的深度估计网络

    论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型，通过对单目输入图像进行实验，我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。

    Jul, 2019

  • 带有掩模指导的分层深度细化

    本文提出了一种基于掩码图像的深度优化方法，该方法可以使用自监督学习技术和单张图像估计模型进行深度的有效细化，能够较好地解决单张深度估计模型在物体内外边界处存在的问题，并在真实应用中取得了良好的效果。

    Jun, 2022

  • ECoDepth: 单目深度估计的有效扩展方法

    使用预训练的 ViT 模型的全局图像先验信息为单图深度估计提供更详细的上下文信息，从而建立了新的领先优势的模型，并在多个数据集上实现了显著的改进。

    Mar, 2024

  • 基于深度序回归网络的单目深度估计

    采用间距增加离散化（SID）策略将深度网络学习重新构建为顺序回归问题，采用累积回归损失训练网络，同时采用多尺度网络结构，避免不必要空间池化，并能够平行捕捉多尺度信息，该方法在四个挑战性基准测试中实现了最先进的结果，并赢得了 Robust Vision Challenge 2018 年的冠军。

    Jun, 2018

  • SideInfNet：半自动语义分割的深度神经网络与辅助信息

    该论文提出了一种新的深度神经网络架构 ——SideInfNet，该网络能够有效地将从图像中学习到的特征与从用户注释中提取的结构信息相结合，从而实现半自动语义分割。实验证明，该方法在多个基准数据集上均取得了较好的效果，表明该模型具有广泛适用性和有效性。

    Feb, 2020

  • SOSD-Net: 单目图像联合语义物体分割和深度估计

    通过引入语义物体性概念分析成像过程，本文提出了一种基于物体性假设的语义物体分割和深度估计网络（SOSD-Net），并采用期望最大化算法的迭代思想更有效地训练该网络，实验结果表明该方法具有卓越的性能。

    Jan, 2021

  • 单图深度预测的改进方法：多元高斯模型

    通过使用多元高斯分布的方式，以及协方差建模的方式，预测单幅图像的每个像素深度，提高单张图像深度预测的准确性。

    Mar, 2023

  • VA-DepthNet: 单张图像深度预测的变分方法

    VA-DepthNet 是一种基于首阶变分约束的神经网络方法，能够在单张图像中预测场景深度，摒弃了简单监督学习方法所忽视的场景空间不变性和先验知识，并在多个基准数据集上得到了较高的预测准确度。

    Feb, 2023

  • 室内单张图像深度估计中不同特征的贡献

    通过在室内场景数据集中使用特征提取技术，本研究量化了单一形状、纹理、颜色和饱和度等因素对深度估计的相对贡献，发现边缘检测提取的物体形状在室内环境中的贡献显著大于其他因素，而其他特征也有不同程度的贡献。这些洞察将有助于优化深度估计模型，提高其准确性和鲁棒性，并扩大基于视觉的深度估计的实际应用。

    Nov, 2023