ECCVAug, 2020

单图像深度预测使特征匹配更易

PDF
TL;DR本论文提出了一种有效提取局部特征的方法，使用基于 CNN 的深度图像，对图像进行预处理和透视校正，以增强 SIFT 和 BRISK 特征的匹配，从而提高 3D 重新定位和多视角重建的鲁棒性。
local features3d re-localizationmulti-view reconstructioncnn-based depthsmatching
发现论文，激发创造
  • 室内单张图像深度估计中不同特征的贡献

    通过在室内场景数据集中使用特征提取技术，本研究量化了单一形状、纹理、颜色和饱和度等因素对深度估计的相对贡献，发现边缘检测提取的物体形状在室内环境中的贡献显著大于其他因素，而其他特征也有不同程度的贡献。这些洞察将有助于优化深度估计模型，提高其准确性和鲁棒性，并扩大基于视觉的深度估计的实际应用。

    Nov, 2023

  • 使用多尺度深度网络从单张图片预测深度图

    本文提出了一种新的方法，利用两个深度网络堆栈来解决单张图像深度估计的问题，并应用尺度不变误差来测量深度关系，通过利用原始数据集作为大量训练数据，方法在 NYU Depth 和 KITTI 上实现了最先进的结果。

    Jun, 2014

  • 基于 CNN 的单张图片深度估计方法评估

    本文提出了一组新的质量标准，允许更详细地分析深度图的特定特征，以便评估最先进的单图像深度估计方法，并提供了一个新的高质量 RGB-D 数据集。实验结果显示了我们提出的评估协议的有效性。

    May, 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

  • 基于深度的鲁棒性人员再识别

    该研究提出了一种基于深度信息的人物重识别方法，利用深度数据提取人体骨架和形状特征，进而提出了一种具有旋转不变性的 Eigen-depth 特征描述符，并通过基于核技术的隐式特征转换方法在缺少深度数据时估算特征。实验结果表明，该方法可以在改善外观特征因光照和相似服饰引起的视觉混淆问题上取得较好的效果。

    Mar, 2017

  • 基于特征的位姿估计中的深度图像和点云转换

    通过消除噪音并将深度数据转换为图像，本文提出了一种新方法，可以显示传统深度图像中隐藏的空间细节，从而在深度数据和经典计算机视觉之间架起了桥梁，并在可视航位推测和 RGB-D SLAM 任务中取得了更好的结果。

    Oct, 2023

  • 利用过完备局部网络的协调作用从一张图像中获取深度

    使用神经网络对本地场景几何结构进行建模，通过对不同阶、方向和比例下的深度导数进行概率分布预测，采用全球化处理方法获得一个一致性深度图以解决深度估计中的歧义。

    May, 2016

  • 从图像中学习本地特征的 LF-Net

    本研究提出了一种新颖的深度架构和训练策略，利用图像集合学习本地特征流水线，无需人工监督；通过利用深度和相对相机姿态提示创建一个虚拟目标，并在一个图像上限制网络，同时保留不可区分性来优化网络。我们在室内和户外两个数据集上进行训练，并在稀疏特征匹配方面的模型性能表现优于现有技术，同时对 QVGA 图像运行速度达到 60+ fps。

    May, 2018

  • 基于深度学习的局部特征匹配：综述

    本研究对本地特征匹配方法进行了全面的综述，将其分类为基于探测器和不基于探测器两类，并探索了其在不同领域的实际应用和面临的当前挑战，以及未来的研究方向。

    Jan, 2024

  • 局部特征几何的多视角优化

    本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。

    Mar, 2020