深度完成的不确定性感知卷积神经网络：由开端到结束的不确定性

CVPRJun, 2020

深度完成的不确定性感知卷积神经网络：由开端到结束的不确定性

Uncertainty-Aware CNNs for Depth Completion: Uncertainty from Beginning to End

Abdelrahman Eldesokey, Michael Felsberg, Karl Holmquist, Mikael Persson

TL;DR本研究提出了一种使用归一化卷积神经网络（NCNNs）学习输入置信度估计的新方法，并提出了 NCNNs 的概率版本以产生具有统计意义的不确定性度量，可用于噪声深度传感器的深度完成任务，并在 KITTI 数据集上表现出在预测准确度、不确定性度量质量以及计算效率方面优于所有现有的贝叶斯深度学习方法，同时还展示了分离网络到并行不确定性和预测流的性能媲美具有数百万参数的常规方法。

Abstract

The focus in deep learning research has been mostly to push the limits of prediction accuracy. However, this was often achieved at the cost of increased complexity, raising concerns about the interpretability and the reliability of deep networks. Recently, an increasing attention has b

deep learning uncertainty quantification depth completion normalized convolutional neural networks bayesian deep learning

发现论文，激发创造

神经网络中的深度不确定性

通过对神经网络的深度进行概率推理，我们能够只需一次前向传播，就能估计模型的不确定性。在真实的回归和图像分类任务中，我们验证了这一方法的效果，并证明它能提供不确定度校准、对数据集变化的鲁棒性和与计算成本更高的基线准确度相当的预测结果。

Jun, 2020

利用深度法线约束的稀疏 LiDAR 数据深度补全

本文提出了一种统一的 CNN 框架来规范化深度完成，通过模拟深度与表面法线之间的几何约束，预测稀疏 LiDAR 输入的置信度，以隔离噪声的影响，以实现从稀疏深度图恢复密集深度图的目标，我们在 KITTI 深度完成数据集和 NYU-Depth-V2 数据集上进行了大量实验，证明了我们的方法达到了最先进的性能。

Oct, 2019

基于不确定性驱动的损失函数的鲁棒深度补全

本文提出了基于不确定性驱动的深度补全方法，采用 Jeffrey's prior 作为鲁棒深度补全的明确不确定性公式，同时结合参数化不确定性驱动损失函数进行预测并进行像素性的自适应预测，实现高峰值信噪比、均方误差和归一化均方误差等关键指标上的表现的提升，并利用多尺度联合预测模型提取出深度和不确定度，并利用估计的不确定度进行像素级高不确定度的预测，从而实现深度筛选优化。

Dec, 2021

基于梯度的单目深度估计不确定性

本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。

Aug, 2022

深度图像合成神经网络预测不确定性的视觉分析

利用不同方法高效估计深度神经网络的预测不确定性和敏感性，并将其互动比较和对比，以应对可靠的不确定性感知模型在深度图像合成任务中产生信息丰富且质量多样的插图，进一步提高深度可视化模型的稳健性和可解释性，使其在以视觉分析为基础的各个科学领域得以实际应用和方便使用。

May, 2024

从单张图像推断深度分布

文章提出了一种新的方法将深度回归问题由连续问题转化为离散二分类问题来提高深度估计的准确性和鲁棒性，在保证实时性的前提下比先前方法能更好地估计不确定性，显著降低因不确定性导致的估计误差，并提高三维地图重建的精确度和内存效率。

Dec, 2019

神经网络 RGB->D 感知：从视频摄像机中获得深度和不确定性

本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通 RGB 相机转换成 RGB-D 相机，并实现更为精确、稳定、泛化性更好的 3D 场景重建。

Jan, 2019

室内深度补全：边界一致性及自注意力

本研究使用自我关注机制和边界一致性来提高深度补全图的质量和结构，已验证其在 Matterport3D 数据集上优于现有深度补全算法。

Aug, 2019

UncLe-SLAM：面向稠密神经 SLAM 的不确定性学习

本文提出了一种基于不确定性学习的密集神经同步定位与地图构建方法，并通过传感器不确定性估计在线框架对其进行了优化。相较于现有的神经模型，该方法在多传感器输入情况下可实现更优秀的地图构建和定位精度。

Jun, 2023

单视图深度中的不确定性与自监督

量化监督式单视图深度的不确定性的贝叶斯深度神经网络，通过光照作为单视图自我监督信号，提出了一种仅需 RGB 图像和内窥镜的几何和光度校准的完全自我监督方法。

Jun, 2024