ECCVOct, 2020

基于对抗域特征适应的夜间图像无监督单目深度估计

PDF
TL;DR本文提出一种新的域自适应方法：Adversarial Domain Feature Adaptation (ADFA)，该方法通过训练编码器生成与白天图像相似的夜间图像特征，并使用预训练的深度解码器进行深度估计。实验证明，该方法在处理夜间图像的深度估计和视觉地点识别问题上效果显著。
发现论文，激发创造
  • AdaDepth: 无监督内容一致自适应深度估计

    本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

    Mar, 2018

  • 通过对抗训练重新思考单目深度估计

    该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。

    Aug, 2018

  • 基于领域分离的自监督单目深度估计技术在全天候图像中的应用

    通过提出域分离网络，使用白天 - 黑夜图像对进行自监督深度估计， 使用生成对抗网络产生黑夜图片并结合正交性和相似性损失， 实现消除视差差异并获得更好的深度估计， 在 Oxford RobotCar 数据集上证明取得了领先深度估计结果。

    Aug, 2021

  • 夜间航空追踪的无监督领域自适应

    该研究提出了一种新颖的无监督领域自适应框架 UDAT，通过采用唯一的物体发现方法生成训练补丁，使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异，构建 NAT2021 数据集，实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。

    Mar, 2022

  • 单目深度估计的自适应学习

    本篇论文提出了一种基于元学习的对抗式深度估计任务来增强深度估计模型的泛化能力，并引入了约束条件以迫使深度估计在不同对抗性任务中是相同的。实验证明，该方法能够在少量训练步骤后适应新的数据集。

    Mar, 2022

  • DeFeat-Net: 并行无监督表示学习的通用单目深度

    我们提出了 DeFeat-Net（深度和特征网络），一种同时学习跨领域密集特征表示和基于扭曲特征一致性的稳健深度估计框架的方法。通过同时学习特征、深度和运动，我们的技术能够推广到具有挑战性的领域，并能够在更具挑战性的序列中优于当前最先进技术约 10％的所有误差度量。

    Mar, 2020

  • 自我监督单目深度估计在低光环境中：向数据分布补偿迈进

    本文提出了一种自监督的夜间单目深度估计方法，不使用夜间图像进行训练，而是利用日间图像作为稳定的自监督信号，并应用物理先验来弥补昼夜差异，通过对昼夜数据分布的补偿，实现高效的单阶段自监督训练。实验结果表明，与现有方法相比，我们的方法在具有挑战性的 nuScenes-Night 和 RobotCar-Night 数据集上取得了领先的深度估计结果。

    Apr, 2024

  • 基于几何感知的单目深度估计对称域自适应

    本文提出了一种基于几何感知的对称域自适应框架 (GASDA)，将合成数据中的标签和现实数据中的极线几何 (epipolar geometry) 共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的图像样式转换和深度图像生成。实验结果表明，该方法的效果显著，性能接近最先进技术水平。

    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

  • 面向资源受限型硬件的单目深度估计视觉域自适应

    针对视觉域适应的背景下，在资源受限的硬件上训练深度神经网络的问题，通过采用压缩技术、有效且硬件感知的架构设计以及对多样的操作环境进行模型自适应解决，实验结果表明，只有使用有效网络架构和少量的训练数据才足以实现图像深度估计。

    Aug, 2021