Oct, 2020

畸变感知的全景图像单目深度估计

PDF
TL;DR这篇论文提出了一种新的网络模型 (DAMO) 来解决室内全景图像中对象失真的问题，该模型采用扭曲卷积来处理几何失真，进一步引入了基于球形感知的权重矩阵来处理由球体投影引起的不均匀分布，在 360D 数据集上实现了效果最佳的表现。
panoramadistortion-aware monocular omnidirectional networkdepth estimationdeformable convolutionspherical-aware weight matrix
发现论文，激发创造
  • 全景室内密集深度估计

    本论文研究了 360 图像的深度估计问题，提出了使用重新渲染的 3D 在线数据集来解决缺乏高质量 360 数据集的挑战，并使用这个数据集实现了端对端的深度估计模型

    Jul, 2018

  • OmniFusion: 基于几何感知融合的 360 单目深度估计

    本篇论文提出了一种名为 OmniFusion 的 360 单目深度估计流程，通过将 360 图像转换为切线图像并采用 CNN 进行分段预测，最后合并分段结果以处理球形畸变问题，并通过几何感知特征融合机制、自注意力变换架构和迭代深度细化机制处理分段预测不一致问题，成功的在多个 360 单目深度估计基准数据集上取得了最先进的性能。

    Mar, 2022

  • OmniMVS：全向立体匹配的端到端学习

    本文提出了一种新颖的端到端深度神经网络模型，用于从广角多视角立体成像中实现全向深度估计，并提出了大规模的合成数据集来用于算法的训练与测试。结果表明，所提出的方法在合成和实际环境中都生成了出色的结果，并优于现有技术。

    Aug, 2019

  • SweepNet: 宽基线全向深度估计

    本文提出了一种新颖的广基线全向立体算法，使用深度卷积神经网络从鱼眼图像计算密集深度估计，直接生成具有全 360 度覆盖的密集全向深度图，该算法的实验结果表明，在合成和实际数据集上，比传统的深度估计方法具有更高的准确性。

    Feb, 2019

  • ACDNet：自适应组合扩张卷积用于单目全景深度估计

    本文提出了一种基于自适应膨胀卷积的 ACDNet，用于预测单目全景图像的密集深度图，实验结果表明 ACDNet 明显优于当前最先进的技术。

    Dec, 2021

  • 深度虚拟立体里程计：利用深度预测为基准的单目直接稀疏里程计

    通过利用深度单目深度预测来改进单目视觉里程计，利用直接虚拟立体测量方法将深度预测与 Direct Sparse Odometry（DSO）相结合，关键考虑半监督学习，并在 KITTI 基准测试中超越其他的方法，实现了与基于立体相机的方法相当的性能。

    Jul, 2018

  • 通过正交平面分离和多视角几何一致性感知进行 360 布局估计

    通过提出正交平面解缠网络 (DOPNet) 以分辨模糊语义和针对水平深度与比例的无监督自适应技术，本研究在全景布局估计和多视角布局估计任务中优于其他 SoTA 模型。

    Dec, 2023

  • 用于实际定位和建图的全景景深估计校准

    通过利用全景图像的综合视角，我们提出了一种自监督学习的方法，通过构建当前深度预测的 3D 点云并在不同视角投影点云，或者对当前输入图像进行拉伸生成合成全景图，进而最小化合成图像估计的 3D 结构的差异，从而在机器人导航和无地图定位任务中展现了显著的性能提升，这将帮助实现实际基于全景图像的机器视觉系统的广泛应用。

    Aug, 2023

  • 360MonoDepth：高分辨率 360° 单目深度估计

    提出一种基于切线图像的高分辨率 360 度图像单目深度估计方法，通过将输入的 360 度图像投影到切线平面上得到透视视图，以此来支持最新的和最准确的单目深度估计器，采用可变形多尺度对齐和梯度域混合来重新组合单个深度估计，产生具有高分辨率和高细节的稠密 360 度景深图。

    Nov, 2021

  • 360 度可学习代价卷积的立体深度估计

    提出一种新的神经网络架构，用于解决 360° 图像中的球面视差问题，并通过学习可移位滤波器构建代价体积以缓解失真问题，实验结果表明其对现有算法具有较好的鲁棒性和准确性。

    Nov, 2019