CVPRMar, 2020

D3VO：单目视觉测距、姿态和不确定性的深度模型

PDF
TL;DR提出一个新的单目视觉里程计框架 D3VO，它利用三个层次的深度网络 —— 深度、姿态和不确定性估计，并使用自监督单目深度估计网络训练了预测亮度变换参数，提高了深度估计精度和提供了学习到的光度残差加权函数，进而实现前端跟踪和后端非线性优化。在 KITTI 里程测量基准和 EuRoC MAV 数据集上测试表明，D3VO 在单目视觉里程计方面的表现优于传统方法和其他最先进的 VO 方法，同时仅使用一个相机就可以实现与最先进的立体 / LiDAR 里程测量和最先进的视觉惯性里程测量相媲美的结果。
d3vomonocular visual odometrydeep networksdepth estimationphotometric uncertainties
发现论文，激发创造
  • UnDeepVO: 无监督深度学习单目视觉里程计

    本文提出了一种新颖的单目视觉里程计（VO）系统 UnDeepVO，其能够使用深度神经网络估计单目相机的 6-DoF 姿态和视野深度，该系统具有无监督深度学习方案和绝对尺度恢复两个显着特点，并且在 KITTI 数据集上获得了良好的姿态精度。

    Sep, 2017

  • 深度虚拟立体里程计：利用深度预测为基准的单目直接稀疏里程计

    通过利用深度单目深度预测来改进单目视觉里程计，利用直接虚拟立体测量方法将深度预测与 Direct Sparse Odometry（DSO）相结合，关键考虑半监督学习，并在 KITTI 基准测试中超越其他的方法，实现了与基于立体相机的方法相当的性能。

    Jul, 2018

  • DeepVIO：使用三维几何约束进行单目视觉惯性里程计的自监督深度学习

    该文章介绍了一种名为 DeepVIO 的自监督深度学习网络，通过直接合并 2D 光流特征（OFF）和惯性测量单元（IMU）数据，提供绝对轨迹估计，实验结果表明其在准确性和数据可适应性方面优于传统的基于 Deep-Learning 方法。

    Jun, 2019

  • GANVO: 基于生成对抗网络的无监督单目视觉里程计与深度估计

    本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

    Sep, 2018

  • 基于稠密三维流的单目视觉里程计与稠密三维建图学习

    本文介绍了一个全新的深度学习方法来进行单目 SLAM，通过使用学习视觉里程计（L-VO）和稠密 3D 映射的神经网络，该方法能够实现同时定位与建图。

    Mar, 2018

  • SelfVIO：自监督深度单目视觉 - 惯性里程计和深度估计

    本文提出了一种基于自适应视觉惯性传感器融合和对抗训练的自监督深度学习方法 (SelfVIO)，用于从未标记的单目 RGB 图像序列和惯性测量单元 (IMU) 读数中共同估计 6 自由度自我动作和景深图。该方法在 KITTI、EuRoC 和 Cityscapes 数据集上的表现优于目前研究领域中其他的 VIO 方法。

    Nov, 2019

  • DO3D: 自监督学习单目视频的分解目标感知 3D 运动和深度

    提出了一种自监督方法，可以从单目视频中联合学习 3D 运动和深度。通过利用深度和运动网络相互协作来准确建模现实场景的几何和动态，进而改进了深度估计和 3D 动作估计的性能。

    Mar, 2024

  • 视觉里程计再探：应该学习什么？

    本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

    Sep, 2019

  • 使用直接法从单目视频中学习深度

    本文探讨单图像的深度预测问题。通过直观运动估计技术的启发式方法，可以进行无监督的深度卷积神经网络学习，同时结合了一种新的深度归一化策略，实验结果显示优于现有的监督方法。

    Dec, 2017

  • DeepVO：用深度递归卷积神经网络实现端到端视觉里程计

    本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。

    Sep, 2017