Aug, 2019

UprightNet：从单张图像中几何感知相机方向估计

PDF
TL;DRUprightNet 是一种学习方法，通过使用几何推理，从单张室内场景的 RGB 图像中估计相机的 2DoF 方向；该方法中包含了一个神经网络，可以在两个不同的坐标系中预测场景的几何表示，并通过可微的最小二乘模块解决相机定向问题，从而实现了端到端的训练并且在合成和真实数据集上实现了明显的优化。
uprightnet2dof camera orientationgeometric reasoningdeep learningleast squares module
发现论文，激发创造
  • 从姿态中隐式学习场景几何用于全局定位

    通过利用少量的标签数据（即相机姿态），本文提出了一种学习方法，将这些标签与刚性对齐相结合，学习场景的三维几何表示，并将其用于估计相机的六自由度姿态，从而提高了定位的准确性。

    Dec, 2023

  • 单幅 RGB 帧的基于语义关键点的姿态估算

    该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

    Apr, 2022

  • 全景图像直立调整的端到端网络

    使用在线端到端网络，该论文提出了一种重建垂直位置的全景图像的方法。网络包含三个模块：方向估计、角度到 LUT 的在线生成和垂直重建。实验结果表明这种方法可大幅提高小角度误差的精度，并能够实现全景图像的实时在线垂直重建。

    Apr, 2023

  • 无监督室内深度估计的自校正网络

    提出了一种基于自动矫正网络的数据预处理方法，解决了手持场景下旋转运动对单视角深度估计的干扰问题，并针对不同数据集验证了该方法的有效性及通用性。

    Jun, 2020

  • 基于关键点的单阶段类别级别物体姿态估计

    该研究提出了一种基于关键点的方法，通过一个 RGB 图像作为输入，对已知类别内的未知目标实例进行目录级别的物体位姿估计，采用单阶段神经网络，并在 Objectron 基准测试中表现出比现有方法更好的性能

    Sep, 2021

  • 在倾斜单目图像中学习地心物体姿态

    本研究通过利用深度学习网络预测地物高度和从静态影像中预测光流等方法，开发了一种地心极位姿的编码方法，并训练了一个深度网络来计算该表示方法，并且在航空激光雷达数据的监督下实现了高密度表示，实验表明该方法能 大幅提高物体定位的准确性和从非常不同视角拍摄的多个图像的精确对齐，在斜视卫星图像的语义分割任务中具有较好的应用潜力。

    Jul, 2020

  • 使用多视角关键点对应估计单目图像中的物体姿态

    利用物体分类内部几何规律的数据驱动姿态估计方法。首先，从 2D RGB 图像学习物体部分的姿态不变局部描述符。将这些描述符与来自固定３D 模板的关键点结合使用，生成给定单眼实际图像的关键点对应图。最后，使用这些关键点对应图，预测物体的３D 姿态。该方法在多个真实环境的视角估计数据集，如 Pascal3D + 与 ObjectNet3D 上的表现达到最佳水平，并且我们公开了所使用方法的代码以鼓励再生研究。

    Sep, 2018

  • 单图像摄像机标定的神经几何解析器

    我们提出了一个神经几何解析器，通过学习使用单个图像进行机器场景的相机校准。相比之前仅依赖于神经网络得到的语义提示的神经网络方法，我们的方法同时考虑了语义和几何提示，从而显著提高了准确性。

    Jul, 2020

  • 学习少即是多 - 通过三维表面回归实现六自由度相机定位

    本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何，甚至在没有利用场景 3D 模型的情况下，也能比现有技术更优秀。

    Nov, 2017

  • PerspectiveNet：通过视点获取的单个 RGB 图像的 3D 对象检测

    本文提出了一种基于透视点的三维物体检测模型 PerspectiveNet，使用局部曼哈顿三维关键点的二维投影作为中间表示，利用透视几何的几何约束来提高检测准确性，在 SUN RGB-D 数据集上取得了极大的性能提升。

    Dec, 2019