CVPRMay, 2020

聚焦模糊：连接深度估计合成与实际领域的差距

PDF
TL;DR本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。
depth estimationsynthetic-real domain gapdefocus blurconvolutional neural networkgeneralization
发现论文，激发创造
  • Defocus 和 DNN：如何通过 DNN 利用 Defocus 模糊提高 3D 估计的深度

    本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统，并通过实验证明，相较于清晰图像，焦外特征能够有效提升深度预测准确性。

    Sep, 2018

  • 域整理：简化图像缓解合成 - 真实域间的转移并提高深度估计

    通过注意力模块，学习识别和去除真实图像中的困难部分，以提高合成数据训练的模型对真实图像的景深估计。

    Feb, 2020

  • 使用光场生成和实际虚焦图像进行去模糊学习

    本文提出了一种新型深层次解除虚焦模糊网络，它通过使用光场技术生成高度准确的图像配对，并使用 Feat?ure loss 技术改善二次拍摄方法捕捉到的图像失焦，取得了在多个测试集上的良好表现。

    Apr, 2022

  • 领域转移的合成数据生成用于提高单目深度估计

    基于 3D 合成环境和 CycleGAN 域转换的数据生成方法与常见的 NYUDepth V2 数据集相比，通过使用不同的真实和模拟数据集训练基于 DenseDepth 结构的深度估计模型，我们评估了模型在新采集的图像和 Husky 机器人的 LiDAR 深度数据上的性能，证明了 GAN 转换的数据在深度估计中可以作为有效的替代真实世界数据的方法。

    May, 2024

  • 通过蒸馏跨域立体网络学习单目深度

    本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。

    Aug, 2018

  • 无监督深度多焦点图像融合

    本文介绍了一种基于卷积神经网络的无监督端到端学习方法，可以直接从多焦点输入图像对中预测完全聚焦的输出图像，并利用图像结构相似性 (SSIM) 计算损失。实验结果表明，该方法在视觉质量和客观度量方面优于现有的最先进技术。

    Jun, 2018

  • 通过全焦深度监督桥接无监督和有监督的焦深度

    本文提出了一种方法，可以从具有不同对焦位置的图像集中估计深度图和全焦图像，并设计了一种共享网络结构来利用深度估计和全焦图像的关系，通过有监督学习和无监督学习两种方式进行训练，并在实验证明该方法具有比现有方法更高的定量和定性性能以及更高的推理效率。

    Aug, 2021

  • 域风格迁移：一种强而简单的合成到真实图像域自适应基准线

    通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

    Jul, 2018

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020

  • 无相机独立的单张图像焦外模糊深度估计

    用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。

    Nov, 2023