May, 2021

通过内容自适应多分辨率合并提高单目深度估计模型的分辨率

PDF
TL;DR通过对输入分辨率和场景结构对深度估计性能的影响进行分析，本文提出了一种使用深度合并网络，结合低分辨率和高分辨率估计的方法，以在一定精度下生成具有细节的高分辨率深度图像，其中包括双重估计方法和补丁选择方法。通过合并不同分辨率的估计并应用不同的上下文，本文在预训练模型的基础上生成了多兆像素的深度图像。
neural networksdepth estimationresolutionscene structurepatch selection
发现论文，激发创造
  • 基于迁移学习的高质量单目深度估计

    本文提出了一种基于卷积神经网络的深度估计方法，结合迁移学习使用高性能网络初始化编码器以及增强和训练策略以获得更准确的结果，结果表明，即使是非常简单的解码器，我们的方法也能够产生细节详尽的高分辨率深度图像。

    Dec, 2018

  • 重新审视单张图像深度估计：朝着更高分辨率的图像和精准的物体边界

    本文提出了两种优化现有方法的方法：一种是通过网络结构融合不同尺度提取的特征，另一种是通过多种损失函数来测量训练中的推理错误。实验结果表明，这两种改进使得深度估计的精度显著提高，使得对小物体和物体边界的更细分辨率重建成为可能。

    Mar, 2018

  • 使用双重网络从视频中无监督地学习高分辨率深度

    该研究提出了一种双网络结构及自组装注意力模块，可以直接处理高分辨率图像，从而更有效地生成高分辨率和高准确度的景深图，并在 KITTI 和 Make3D 数据集上实现了单目景深估计中最先进的结果。

    Oct, 2019

  • 从大到小：多尺度局部平面引导单目深度估计

    本文介绍了一种网络架构，利用位于解码阶段多个阶段的新型本地平面指导层来更有效地引导密集编码特征以进行所需的深度预测， 并在具有挑战性的基准测试中通过消融研究证明所提出的方法优于最先进的作品。

    Jul, 2019

  • 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

  • 分层膨胀卷积和软加权和推理的单目深度估计

    本文提出了一种利用深度学习解决复杂多物体单目深度估计问题的端到端学习框架，通过将单目深度估计表述为一种多类别密集标注任务以及采用软加权和推断方法等策略，实现了对多尺度深度信息的有效利用，降低了量化误差并提高了方法的鲁棒性。实验结果表明，该方法在 NYU Depth V2 数据集上表现优于当前最先进方法。

    Aug, 2017

  • 基于深度学习的单目深度估计：综述

    该研究对基于深度学习的单张图像深度估计方法进行了调研，总结了常用的数据集、评价指标和不同的训练方式，并讨论了未来研究中的挑战和方向。

    Mar, 2020

  • 使用双像素学习单目摄像机深度估计

    通过使用现代摄像头上越来越常见的双像素自动对焦硬件，识别深度估计中的不确定性并开发了一种方法解决它，使基于学习的方法可以很好地应用于双像素图像，提高了成像质量。

    Apr, 2019

  • SuperDepth: 自监督、超分辨率单目深度估计

    本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

    Oct, 2018

  • 使用全卷积残差网络进行更深的深度预测

    采用残差学习和反 Huber loss，提出了一种全卷积结构的模型，可通过单个 RGB 图像估计场景深度图，优于当前所有深度估计方法，且无需后处理技术，能够实时运行。

    Jun, 2016