图像深度预测的无监督领域适应

Sep, 2019

Unsupervised Domain Adaptation for Depth Prediction from Images

Alessio Tonioni, Matteo Poggi, Stefano Mattoccia, Luigi Di Stefano

TL;DR本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

Abstract

State-of-the-art approaches to infer dense depth measurements from images rely on cnns trained end-to-end on a vast amount of data. However, these approaches suffer a drastic drop in accuracy when dealing with en

depth measurements cnns unsupervised domain adaptation confidence-guided loss function stereo and monocular depth prediction

发现论文，激发创造

AdaDepth: 无监督内容一致自适应深度估计

本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

Mar, 2018

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

通过蒸馏跨域立体网络学习单目深度

本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。

Aug, 2018

3D-PL：具有三维感知伪标记的域自适应深度估计

利用真实数据生成可靠的伪地面真实数据，提供直接监督的领域适应框架，通过提出 2D 伪标签和 3D 感知伪标签等机制，实现深度评估的提高，有效地解决领域适应问题。

Sep, 2022

学习如何为立体感应适应

介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。

Apr, 2019

使用无监督三眼假设学习单目深度估计

该论文提出了一种可以使用无标注数据进行训练的，基于三目摄像机的深度估计方法，其在 KITTI 数据集上取得了比其他基于双目摄像机以及其他线索的方法更好的性能。

Aug, 2018

单目深度估计的自适应学习

本篇论文提出了一种基于元学习的对抗式深度估计任务来增强深度估计模型的泛化能力，并引入了约束条件以迫使深度估计在不同对抗性任务中是相同的。实验证明，该方法能够在少量训练步骤后适应新的数据集。

Mar, 2022

无监督单目深度估计与左右一致性

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

无监督单目深度预测的双向循环约束和自适应正则化

使用几何方法和立体图像训练卷积神经网络可以在单张图片中预测场景深度，性能优于最先进的无监督单目深度预测方法，并适用于不同数据集。

Mar, 2019

单目深度估计中无监督域自适应的一致性正则化

在单目深度估计中，我们提出了一种基于一致性的半监督学习方法来解决无监督领域自适应问题，通过在源领域的预测结果和未标记目标样本的多个增强视图上的扰动一致性来实现源领域的预测规则化。与先前的方法相比，我们的方法简单且有效，只需要训练单个模型，实验结果表明，在 KITTI 和 NYUv2 等深度估计基准上与相关方法相比具有最先进的性能。

May, 2024