Apr, 2020

自主驾驶应用中的分层自监督单目绝对深度估计

PDF
TL;DR本文提出 DNet 方法，利用密集连接预测层（DCP）和密集几何约束（DGC）部分解决自我监督方法中单目深度估计的两个问题：精确的对象级深度推断和不确定的比例因子。实验证明，DCP 层可以更好地识别深度图像中的对象边界并改善对象级深度的连续性，而使用 DGC 执行比例恢复的性能与使用真实地面真值信息相当。
发现论文，激发创造
  • 自监督单目深度估计：通过语义引导解决动态物体问题

    本文提出了一种自主引导的语义深度估计方法（SGDepth），通过交叉域训练避免移动车辆和行人等动态类别对象对深度标签的干扰，利用异构网络头进行语义分割和深度估计，采用语义遮罩机制预防动态物体的污染，并引入一种检测算法学习移动类别对象的深度。通过在多个数据集上评估验证了该方法的性能。

    Jul, 2020

  • 通过级联深度估计和校准实现准确的基于摄像头的 3D 物体检测

    本文提出了一个基于相机的 3D 目标检测的级联框架，通过深度估计和深度校准来有效地学习深度信息，实现从 2D 到 3D 空间的特征提取和目标定位。在多个检测器上进行广泛实验，取得了较高的性能表现。

    Feb, 2024

  • 自监督单目深度估计的三维排列

    本文提出了一种新的自监督单目深度估计方法，结合几何学和一种新的深度学习网络 PackNet，使用无标签的单目视频进行学习。我们的方法使用了新的对称打包和解包块以共同学习使用 3D 卷积压缩和解压缩保留细节的表示。虽然是自监督的，但我们的方法在 KITTI 基准测试中优于其他自监督、半监督和全监督方法。PackNet 中的三维归纳偏差使其能够随着输入分辨率和参数数量的扩展而扩展，而不会过拟合，在 NuScenes 数据集等域外数据上具有更好的泛化性能。此外，此方法不需要在 ImageNet 上进行大规模监督预训练，并且可以实时运行。最后，我们发布了 DDAD（用于自动驾驶的稠密深度）数据集，该数据集使用全球自动驾驶车队上安装的高密度 LiDAR 产生的长距离和更加密集的地面真实深度进行评估。

    May, 2019

  • 基于方向感知的累加卷积网络的自监督单目深度估计

    我们提出了一种新的方向感知积分卷积网络 (DaCCN)，通过方向感知模块来调整特征提取，提高了不同类型信息的编码能力，并设计了一种新的累积卷积来提高对重要环境信息的聚合效率，实验证明我们的方法在 KITTI、Cityscapes 和 Make3D 三个广泛使用的基准测试上取得了显著的提升，成为这些流行基准测试中具有三种自监督的最新成果。

    Aug, 2023

  • DesNet：基于分解的尺度一致网络用于无监督深度补全

    提出了一种基于无监督无尺度深度补全框架的分解尺度一致学习策略（DSCL）和全局深度引导（GDG）模块，旨在获取 LiDAR 扫描的稀疏深度信息，并在室内和室外数据集上超越当前最先进模型的性能。

    Nov, 2022

  • DCPI 深度：在无监督单目深度估计中显式注入稠密对应先验

    通过三个创新点，本研究提出了一个名为 DCPI-Depth 的框架，该框架采用稠密对应先验，通过上下文信息和光流进行深度感知，实现了在具有挑战性场景中的准确深度估计，并展示了更合理的平滑性。

    May, 2024

  • 深度邻居层聚合轻量级自监督单目深度估计

    我们提出了一种全卷积深度估计网络，利用上下文特征融合，采用高分辨率和低分辨率特征来保留小目标和高速移动物体的信息，进一步在解码器阶段采用基于卷积的轻量级通道注意力来优化深度估计结果，降低参数数量同时保持准确性。

    Sep, 2023

  • 自主驾驶中基于自我监督学习的深度预测

    自主驾驶中深度预测的挑战和应用的研究，使用单目自监督学习方法，提出了条件生成对抗网络以及一种基于变换器的刚性场景和未来深度预测方法，以及视频到视频深度映射模型，用于改进对环境几何和动态物体运动的理解和决策。

    Mar, 2024

  • DevNet: 基于密度体构建的自监督单目深度学习

    本研究提出了一种自我监督的单眼深度学习框架 - 密度体构建网络（DevNet），可以考虑三维空间信息并利用相邻相机锥体之间更强的几何约束，并通过沿着对应光线积分来生成深度图。

    Sep, 2022

  • 单目自监督深度估计的多模态比例一致性和感知

    通过提出一个动态加权的 GPS-to-Scale 损失函数来利用全球定位系统数据提高稠密深度估计，从而实现尺度一致和感知的深度估计。

    Mar, 2021