ECCVAug, 2020

立体自适应置信度估计

PDF
TL;DR本文提出了一种灵活且轻量化的解决方案，该方案可实现自适应置信度估计，具备与任何立体系统（包括未公开视觉感知方法的消费和工业设备）的无缝集成性，并且可以在现场进行开箱即用的部署，通过使用计算机视觉和自监督学习等技术，该方案能够在输入立体对和输出视差映射的最小信息下进行学习和测量置信度度量。实验证明，该方案是首个为任何立体系统实现在线学习准确置信度估计而不需要对最终用户提出任何要求的方案。
confidence estimationself-supervised learningstereo algorithmcomputer visionperception methods
发现论文，激发创造
  • 学习如何为立体感应适应

    介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。

    Apr, 2019

  • 深度学习时代的立体匹配置信度：定量评估

    本文回顾了十多年来用于立体匹配置信度估计的算法和策略，并评估了现有的置信度估计方法，包括手工设计的和最新的基于学习的方法，在五个标准数据集上进行实验，并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较，旨在提供该领域的全面概述，并突出了基于学习的方法的优势和局限性。

    Jan, 2021

  • 单目深度估计的自适应置信度阈值

    本文提出了一种使用自监督立体匹配方法生成的伪真实深度地图来辅助单目深度估计的新方法，并利用门限网络调整伪深度图。通过基于像素自适应卷积层提高单目深度估计精度，并取得了优异的实验结果。

    Sep, 2020

  • 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

  • 使用可能性理论的立体匹配中的鲁棒置信区间

    我们提出了一种方法，用于在立体匹配问题中估计视差置信区间。置信区间提供了与常规置信度量互补的信息。据我们所知，这是第一种基于代价体积创建视差置信区间的方法。该方法依赖于可能性分布来解释代价体积的认知不确定性。我们的方法具有白盒特性，在这方面与当前最先进的深度神经网络方法不同。使用 Middlebury 立体数据集以及卫星图像数据集验证了置信区间的准确性和大小。此贡献在 GitHub 上免费提供。

    Apr, 2024

  • 自我矛盾用于学习立体视觉中的置信度测量

    提出了一种基于立体图像和深度图像的新方法，用于产生训练数据，以用于学习置信度测量，以提高异常值去除和在立体视觉中的质量改进。该方法可在完全自动化方式下生成大量的训练数据，并且在 KITTI2012 数据集上得到了证明。

    Apr, 2016

  • 深度立体视觉的持续适应

    提出一种 Modularly ADaptive Network (MADNet) 架构和 Modular ADaptation (MAD, MAD ++) 算法设计，实现在不同环境下对深度估计进行实时自适应的端到端架构，无需与输入图像不同的数据源。

    Jul, 2020

  • 使用恒定的高速公路网络和反射性置信度学习提高立体匹配的效果

    本研究提出了一种三步改进的立体匹配管道，其中包括了基于多级加权残差快捷方式的高速公路网络结构，用于计算每个可能差异的匹配成本，并引入了新的后处理步骤，旨在处理全局信息结合的图像不确定性，从而提高异常点检测的性能，并在现有技术上实现了最新的性能。

    Dec, 2016

  • 自监督单眼深度估计的不确定性

    本文提出的自监督方法能够在 KITTI 数据集上以最先进的精度预测深度图，并且能够用于在训练过程中估计深度图的不确定性。

    May, 2020

  • 实时自适应深度立体匹配

    通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

    Oct, 2018