ECCVAug, 2020

从单张图片学习立体视觉

PDF
TL;DR该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。
stereo matchingsupervised deep networksmonocular depth estimationdisparity mapstraining data
发现论文，激发创造
  • 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

  • 用于半监督单目深度估计的 RGB-D 大型数据集

    使用基于学生 - 教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

    Apr, 2019

  • 使用无监督三眼假设学习单目深度估计

    该论文提出了一种可以使用无标注数据进行训练的，基于三目摄像机的深度估计方法，其在 KITTI 数据集上取得了比其他基于双目摄像机以及其他线索的方法更好的性能。

    Aug, 2018

  • 无监督单目深度估计与左右一致性

    本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

    Sep, 2016

  • 具有自我改进能力的自监督学习用于立体匹配

    本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

    Sep, 2017

  • 学习立体，推断单眼：用孪生网络进行自监督单目深度估计

    本论文提出了一种新型的自监督单目深度估计方法，使用两张图像进行训练以及基于 Siamese 网络结构只使用其中一张图像来预测深度，在 KITTI 基准测试和 Make3D 基准测试中均取得了最优结果。

    May, 2019

  • 基于双目视觉的深度估计深度学习技术综述

    该研究综述了基于深度学习的立体视觉对图像深度估计的应用，总结了该领域的常见流程、优缺点并探讨了未来可能的方向。

    Jun, 2020

  • 机器学习与双目立体视觉在图像深度估计方面的协同作用：一项综述

    本文综述了基于学习的单目和双目图像深度估计的最新研究，强调了立体匹配、机器学习和深度学习之间的协同作用、迄今为止取得的成功以及社区将在不久的将来面临的挑战。

    Apr, 2020

  • 单视角立体匹配

    该研究论文采用视图合成过程和立体匹配相结合的方法，将单目深度估计问题分解为两个子问题，并明确地在推断过程中施加几何约束条件。经验证明，这种方法的性能优于以往的方法，并且只需使用少量的真实训练数据，同时也具有良好的泛化能力。

    Mar, 2018

  • 利用传统立体知识学习单目深度估计

    本文介绍了一种基于单目深度估计的新型深度学习架构 - monoResMatch, 通过理论证明和严谨的实验，该架构通过合成不同视点的特征进行立体匹配，综合利用了代理监督信息，并且在自我监督方法上对无需昂贵的深度标签，取得了准确的单目深度估计成果。

    Apr, 2019