Mar, 2020

DELTAS: 通过学习三角化和稀疏点的密集化进行深度估计

HTML
PDF
TL;DR该研究提出了一种基于 interest point detection 和 descriptor learning 的深度估计方法，通过三个步骤，匹配、三角测量和稠密化得到 3D 点云，实现了高精度和低计算消耗的双赢，将该方法与强基线进行对比，表现优越。
发现论文，激发创造
  • 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

  • 基于代价体金字塔的多视角立体深度推理

    本文提出了一种基于成本体积的神经网络，可以从多视图图像中进行深度推断，在构建成本体积金字塔的过程中，通过从粗到细的方式代替固定分辨率的方式，使得网络结构更紧凑轻量，并允许我们推断高分辨率深度图以获得更好的重建结果。

    Dec, 2019

  • Fast-MVSNet: 基于学习传播和高斯牛顿精细化的稀疏到密集多视角立体视觉

    本研究旨在提高多视角立体成像(MVS)技术的效率，并提出了一种基于深度学习的Fast-MVSNet稀疏到稠密分层框架，其在局部区域内使用小型卷积神经网络对深度依赖关系进行编码，通过高分辨率的稀疏深度图以及高效的高斯牛顿层优化深度图，取得与Point-MVSNet和R-MVSNet相同或更好的结果，可在Tanks and Temples和DTU数据集中五到十四倍地提高速度。

    Mar, 2020

  • 基于双目视觉的深度估计深度学习技术综述

    该研究综述了基于深度学习的立体视觉对图像深度估计的应用，总结了该领域的常见流程、优缺点并探讨了未来可能的方向。

    Jun, 2020

  • 基于注意力感知的代价体积金字塔的多视角立体网络用于三维重建

    提出一种高效的多视角立体（MVS）网络以实现多视角图像的三维重建和深度推断，其采用策略推断出粗到细的深度图，其中引入自注意力层与相似度测量来生成新的代价体以进行深度图细化，最终实验表明该模型优于大多数 SOTA 方法。

    Nov, 2020

  • MVS2D: 基于注意力驱动的2D卷积的高效多视图立体重建

    该论文描述了一种高度有效的多视图立体算法，该算法通过注意机制将多视图约束集成到单视图网络中，仅构建于2D卷积，速度至少比所有其他同类算法快2倍，并在各种挑战性基准上实现了精确的深度估计和3D重建效果，同时在有不精确相机姿态时具有最优表现。

    Apr, 2021

  • 3DVNet: 多视角深度预测和体积细化

    3DVNet是一种结合了先前基于深度和体积的MVS方法优点的新型多视图立体(multi-view stereo)深度预测方法，使用基于体积的三维卷积神经网络来对所有深度图进行操作，并能够学习有意义的场景级先验知识，其在深度预测和3D重建度量上均超越了现有技术，证明该方法在新的环境下具有很好的效果和通用性。

    Dec, 2021

  • 高效多视图立体通用二分查找网络

    本文提出了一种高效的多视图立体重建方法，基于深度学习和二分搜索算法，大大降低了所需内存，同时取得了领先的精度。

    Dec, 2021

  • RIAV-MVS: 基于循环索引的非对称体积多视角立体重建

    本文提出了一种基于学习的方法，通过迭代索引平面扫描成本体积并借助卷积门控循环单元来回归深度图，从而进行多视角深度估计。经过对真实世界多视图数据集的大量实验，验证了该方法在数据集内部性能和跨数据集概括性能方面都达到了最先进水平。

    May, 2022

  • 基于深度学习的单目图像和视频深度估计方法：综述

    该论文综述了基于深度学习的单个RGB图像和视频的深度估计方法，包括输入输出模态、网络结构和学习方法的分类，历史里程碑，以及现有方法使用的流程、数据集和评估指标。

    Jun, 2024