Apr, 2020

深度边缘：分割和深度之间的显式约束

PDF
TL;DR本研究探讨了计算机视觉中两个常见任务，即自监督深度估计和图像语义分割的相互效益。作者提出通过测量图像分割和深度之间的边界一致性并通过贪婪法迭代监督网络来最小化这种一致性，并通过实验表明，解决了 KITTI 中无监督单眼深度估计问题的状态 - of-art 得到了提高。
computer visionself-supervised depth estimationsemantic segmentationborder consistencyunsupervised monocular depth estimation
发现论文，激发创造
  • 利用自监督深度估计提高语义分割的三种方法

    提出了一种半监督语义分割的框架，采用自监督单目深度估计和利用场景几何形状强数据扩增的方式，结合深度特征差异和难度级别，通过学生 - 教师框架选择最有用的样本进行语义分割的注释，实现了在 Cityscapes 数据集上半监督语义分割的最好结果。

    Dec, 2020

  • 几何与语义相遇：半监督单目深度估计

    通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计，提出了一种半监督的深度估计方法，结果表明在 KITTI 数据集上超过了单目深度估计的先进方法。

    Oct, 2018

  • 自监督单目深度估计的细粒度语义感知表示增强

    本文提出了在无监督单目深度估计中引入跨域语义信息以提高几何表示的新思路，包括度量学习方法和特征融合模块，并在 KITTI 数据集上全面评估，在弱质地区和物体边界的监督限制下，本文提出的方法优于现有技术。

    Aug, 2021

  • 自监督单目深度的语义引导表示学习

    本文研究自监督学习中如何直接运用语义结构来指导几何表示的学习，提出了一种新的基于预训练语义分割网络和像素自适应卷积的架构，并使用两阶段训练过程来克服动态对象上的常见语义偏差。结果表明该方法在所有像素、细节和语义类别上都优于现有方法，实现了自监督单目深度预测的最新水平。

    Feb, 2020

  • 挖掘自监督单目深度估计的潜在能力

    该研究提出一种新的数据增强方法（data grafting）、探索性自蒸馏损失函数（exploratory self-distillation loss）、和全尺寸卷积神经网络，以提高自监督单目深度估计的表示能力和性能表现，实验结果表明该模型 EPCDepth 在更少的计算量下超越了之前的最新优秀模型。

    Sep, 2021

  • 自监督深度估计中的域自适应语义分割

    本文介绍了一种基于自监督深度估计来缩小源域和目标域之间领域漂移的方法，该方法旨在增强目标语义预测，并使用深度预测的差异来明确像素级适应难度，进而修正目标语义分割伪标签。在 SYNTHIA-to-Cityscapes 和 GTA-to-Cityscapes 基准任务上，我们分别实现了 55.0％和 56.6％的新的最先进性能。

    Apr, 2021

  • SemSegDepth: 一种联合模型用于语义分割和深度完善

    本文提出了一种新的端到端模型，以 RGB 和稀疏深度为输入，联合执行语义分割和深度完成，通过实验表明将语义分割和深度完成结合在一个多任务网络中可以有效提高每个任务的性能。

    Sep, 2022

  • 使用内部特征融合的自监督单目深度估计

    本文提出了一种基于 HRNet 网络的深度估计网络 ——DIFFNet，它能在下采样和上采样过程中利用语义信息，并通过特征融合和注意力机制提高算法表现，实验结果表明，该方法在 KITTI 基准数据集上优于当前最先进的单目深度估计方法，并具有处理更高分辨率数据的潜力。我们还通过建立具有挑战性案例的测试集提出了额外的评估策略。

    Oct, 2021

  • EC-Depth：在具有挑战性场景下探索自监督单目深度估计的一致性

    EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

    Oct, 2023

  • 借助自监督深度估计改进半监督和领域自适应语义分割

    本文提出了一种半监督和领域自适应的语义分割框架，它利用自监督单目深度估计（SDE）来增强。该框架采用 SDE 作为辅助任务，通过选择最有用的样本、实现数据增强、转移 SDE 学习到的特征以及利用 Cross-Domain DepthMix 和 Match Geometry Sampling 来利用额外的标记合成数据与真实数据对齐，同时在 Cityscapes 数据集上进行了验证，并获得了半监督语义分割和半监督领域适应的最先进结果。

    Aug, 2021