MultiDepth: 基于多任务回归与分类的单张图像深度估计

Jul, 2019

MultiDepth: 基于多任务回归与分类的单张图像深度估计

MultiDepth: Single-Image Depth Estimation via Multi-Task Regression and Classification

Lukas Liebel, Marco Körner

TL;DRMultiDepth 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。

Abstract

We introduce multidepth, a novel training strategy and convolutional neural network (CNN) architecture that allows approaching single-image depth estimation (SIDE) as a multi-task problem. SIDE is an important part of road scene understanding. It, thus, plays a vital role in advanced d

multidepth convolutional neural network depth estimation road scene understanding multi-task learning

发现论文，激发创造

基于场景理解的深度稳健单张图片深度估计神经网络

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。

Jun, 2019

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

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

使用深度卷积网络进行联合语义分割和深度估计

本研究采用多尺度卷积神经网络，提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型，该模型采用单一损失函数进行训练，同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用，实现更精确的结果。在 NYUDepth V2 数据集上进行实验，该模型在语义分割方面表现优于最先进方法，在深度估计任务上实现可比较的结果。

Apr, 2016

半监督对抗式单目深度估计

本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

Aug, 2019

MegaDepth：从互联网照片中学习单视图深度预测

本文提出了使用多视图互联网照片集合生成训练数据以解决现有数据集受限的问题，构建了一个基于此想法的大型数据集 MegaDepth，同时通过新的数据清理方法和自动生成数据的方法解决了 MVS 数据的噪声和无法重构的对象等问题。验证表明，基于 MegaDepth 训练的模型不仅适应新的场景，还适应其他各种数据集。

Apr, 2018

使用多尺度深度网络从单张图片预测深度图

本文提出了一种新的方法，利用两个深度网络堆栈来解决单张图像深度估计的问题，并应用尺度不变误差来测量深度关系，通过利用原始数据集作为大量训练数据，方法在 NYU Depth 和 KITTI 上实现了最先进的结果。

Jun, 2014

基于自监督学习的单目图像深度估计

这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型，以提高相机获取的图像的三维深度感知的精度。

Apr, 2023

多任务学习中的辅助任务

通过在视觉数据集中引入小部分的附加任务，可以提高深度多任务卷积神经网络的性能，证实了辅助任务在加速训练和优化最终结果方面的有效性

May, 2018

分层膨胀卷积和软加权和推理的单目深度估计

本文提出了一种利用深度学习解决复杂多物体单目深度估计问题的端到端学习框架，通过将单目深度估计表述为一种多类别密集标注任务以及采用软加权和推断方法等策略，实现了对多尺度深度信息的有效利用，降低了量化误差并提高了方法的鲁棒性。实验结果表明，该方法在 NYU Depth V2 数据集上表现优于当前最先进方法。

Aug, 2017