ICCVSep, 2020

单目深度估计的自适应置信度阈值

PDF
TL;DR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。
self-supervisedmonocular depth estimationpseudo ground truththreshold networkprobabilistic framework
发现论文，激发创造
  • 多视差一致性过滤的引导式单目深度估计的立体匹配知识

    本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

    Jan, 2024

  • 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

  • 自监督单目深度提示

    该研究针对单目深度估计的自监督学习方法，在不需要昂贵激光扫描或其他基础数据的情况下，使用 Depth Hints 通过加入来自简单立体算法的参考感知补充了光度学重投影代价函数，从而提高训练深度估计网络时的深度预测精度，该方法取得了在 KITTI 数据集上的最优预测效果。

    Sep, 2019

  • 自监督单目深度估计探究

    该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

    Jun, 2018

  • 立体自适应置信度估计

    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。

    Aug, 2020

  • MonoProb: 解释性的无监督单目深度估计与不确定性

    自我监督单目深度估计方法是用于自主车辆环境分析等关键应用的方法。该论文提出了 MonoProb，这是一种新的无监督单目深度估计方法，返回一个可解释的不确定性，该不确定性反映了网络在深度预测中的期望误差。通过引入一种新的自训练损失，可提高深度和不确定性的性能。实验结果表明了我们方法在标准深度和不确定性指标以及我们设计的指标上的改进。

    Nov, 2023

  • EC-Depth：在具有挑战性场景下探索自监督单目深度估计的一致性

    EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

    Oct, 2023

  • 3D-PL：具有三维感知伪标记的域自适应深度估计

    利用真实数据生成可靠的伪地面真实数据，提供直接监督的领域适应框架，通过提出 2D 伪标签和 3D 感知伪标签等机制，实现深度评估的提高，有效地解决领域适应问题。

    Sep, 2022

  • 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

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019