提出了一种通用的自我监督的尺度感知管道用于从未经矫正的单目视频中估计深度、欧几里得距离和视觉里程计,该方法可以避免长焦变形输入的失真,不会受视野范围缩小、重新采样畸变、校准误差敏感的副作用影响,性能优越。
Jul, 2020
本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架,通过训练不需要预训练或注释的神经网络,为单视图深度预测提供了一种新的方法。
Mar, 2016
室内深度自动估计的自我监督学习是困难的,挑战主要集中在大面积低纹理区域和复杂的内部训练数据上。本文提出了一种名为 IndoorDepth 的新方法,包括两个创新点:首先,我们提出了一种改进的结构相似(SSIM)功能的新颖光度损失函数,用于应对低纹理区域的挑战;此外,为了进一步减轻不准确的自身运动预测问题,我们使用多个不同阶段的光度损失进行训练,以构建更深的姿态网络。通过对实验的深入研究,我们验证了每个新想法的有效性。在 NYUv2 基准测试中,我们的 IndoorDepth 方法在性能上超过了之前的最新方法。此外,我们还在 ScanNet 数据集上验证了我们的方法的泛化能力。
Dec, 2023
提出了一种基于 transformer 网络的深度分解模块、一个迭代的相机位置残差估计模块和一个直接进行坐标卷积编码的坐标引导策略,从而提高了自监督单目深度估计方法在室内环境中的性能。
Jul, 2022
本文介绍了一种基于几何一致性损失和自发现遮罩的深度估计和自我运动估计模型,模型能够处理运动物体和目标的遮挡问题并保证不同样本间的比例一致性。从实验结果来看,我们提出的深度估计模型在 KITTI 数据集上性能最好,并且我们提出的自动驾驶路线规划模型相对于之前的模型在预测全局一致的相机轨迹上有着很大的优势。
Aug, 2019
提出了基于光流的新训练范式,它通过提供更清晰的训练目标和处理非纹理区域来降低无监督学习的难度,并处理室内环境中的挑战,实验结果与全监督方法相当。
Oct, 2019
研究在自动驾驶和高级驾驶辅助系统下,使用视觉转换器作为新的方法来进行单目深度估计,在 KITTI 深度预测基准上取得了与卷积神经网络相似的性能,同时具有更强的鲁棒性和可扩展性。
Feb, 2022
本研究聚焦于自监督单目深度估计在室内环境下的困难,通过引入深度分解模块和残差姿态估计模块分别解决深度网络和姿态网络中的问题,实现相对室外环境更好的表现。
Jul, 2021
该论文提出了一种自监督学习的方法,利用几何先验和自编码器来提高单目深度估计的效果,实验结果表明该方法在 KITTI 数据集上的表现优于现有方法,适用于高性能 GPU 和嵌入式设备。
自动驾驶车辆和机器人需要在各种不同的场景中高效而安全地完成任务。本研究介绍了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法,其利用单目深度估计器和姿态估计器结合速度监督对外参进行估计,并联合学习附加在移动车辆上的一组重叠相机的外参标定。实验结果表明,与传统的基于视觉的姿态估计流水线相比,我们的方法能够在各种场景中稳健且高效地实现自我标定,并展示了通过联合优化改进深度估计的外参自校准的优势。
Aug, 2023