Feb, 2020

DiverseDepth：利用多样数据进行仿射不变深度预测

PDF
TL;DR本文提供了一种使用单目图像进行深度估计的方法，提供了一个大规模且多样化的数据集 Diverse Scene Depth 进行训练，学习到了不受仿射变换影响的深度信息，并通过多分支课程训练实现了对复杂场景的高质量深度恢复。
depth estimationmonocular imagesaffine transformationrelative depthmulti-curriculum learning
发现论文，激发创造
  • 鲁棒的几何保持深度估计 - 使用可微分渲染

    通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。

    Sep, 2023

  • 稳健的单目深度估计：通过混合数据集实现零样本跨数据集转移

    本文提出了一种深度估计的训练方法，利用多种不同来源的数据集和多目标学习来提高训练效果，同时跨数据集的测试结果表明该方法优于竞争方法并取得了深度估计领域的最新成果。

    Jul, 2019

  • 朝着零样本比例感知单目深度估计的方向

    本文提出了一种称为 ZeroDepth 的单目深度估计框架，采用输入级几何嵌入和变分潜在表示，并将编码器和解码器阶段解耦合，可以在不同域和相机参数的情况下预测任意测试图像的尺度。在户内（NYUv2）和户外（KITTI，DDAD，nuScenes）基准测试中，使用相同的预训练模型取得了最新的最佳成果，优于基于域内数据训练和需要测试时缩放以产生度量估计的方法。

    Jun, 2023

  • 从单张图片学习恢复三维场景形状

    研究探讨了在混合数据深度预测训练中使用的位移不变重建损失所引起的未知深度偏移及可能的未知相机焦距问题，并设计了一个两阶段框架以实现单目图像深度预测，并使用三维点云编码器预测遗漏的深度偏移和焦距以恢复逼真的 3D 场景形状，本文提出了图像级标准化回归损失和基于法向几何损失的方法，以增强用混合数据集训练的深度预测模型，该深度模型在 9 个不可见数据集上测试并取得了零样本数据集泛化的最新性能记录。

    Dec, 2020

  • 动态场景下的无监督单目深度学习

    本研究提出一种方法，利用单眼光度一致性为唯一的监督，联合训练深度、自我运动估计和物体相对于场景的稠密三维平移场的估计，通过已知 3D 平移场的稀疏性和对于刚性移动物体的恒定性进行正则化，有效提高了单眼深度预测模型的准确性。

    Oct, 2020

  • 虚拟正常：强制几何约束以获得精确稳健的深度预测

    研究表明，设计一种损失函数，以强制执行由重构的三维空间中随机抽样的三个点确定的虚拟法线方向的简单几何约束，可以显著提高单目深度估计的准确性和鲁棒性，并提出了一种利用虚拟法线学习鲁棒的仿射不变深度的方法。

    Mar, 2021

  • 单目深度估计中扩展基于扩散的图像生成器的重新利用

    从单幅图像恢复 3D 深度是一项基础的计算机视觉任务，本研究提出了一种基于稳定扩散方法的仿射不变单目深度估计方法 Marigold，通过使用先前生成扩散模型中捕获的大量先验知识，该方法在各种数据集上取得了最先进的性能表现。

    Dec, 2023

  • 稀疏到密集：从稀疏深度样本和单幅图像中预测深度

    本文论述了如何通过使用 RGB-D 原始数据，采用单个深度回归网络来学习来自稀疏深度范例的密集深度估计，并研究了样本数量对预测准确性的影响，提出的算法有两个应用：转换稀疏地图为密集地图和 LiDAR 的超分辨率。

    Sep, 2017

  • 深度任何事物 V2

    本研究介绍了 Depth Anything V2，通过使用合成图像替代真实标注图像，提升教师模型的容量，并通过大规模伪标注真实图像来教授学生模型，成功构建了效率更高、准确性更好的多种规模深度估计模型，并构建了通用的评估基准，以促进未来的研究。

    Jun, 2024

  • 动态场景深度预测的 Web 立体视频监督

    利用全数据驱动的方法计算深度，通过对非刚性场景开发一种新数据集，其中包括大量的非刚性对象，特别是人，提出了一种损失函数进行深度预测，评估方法并表明该方法对自然场景具有更好的泛化能力。

    Apr, 2019