利用感知偏置进行表面法线估计,采用像素级射线方向并学习邻近表面法线之间的相对旋转关系,可以在任意分辨率和长宽比的复杂野外图像中生成鲜明但分段平滑的预测,且该方法具有较强的泛化能力,即使训练数据集规模比最先进的 ViT 模型小几个数量级。
Mar, 2024
该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练,并使用两个新颖的损失函数进行训练。研究表明,该方法可以显著提高野外深度估计质量。
Apr, 2017
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法,不需要任何手动特征或预处理,优于现有深度学习方法,在保留尖锐特征和空间等变性的同时,速度和参数效率均为同类算法的两个数量级。
Apr, 2019
本文提出了一种基于深度神经网络的后验不确定性估计方法,通过辅助损失函数的梯度来估计不确定性,避免依赖于地面真实信息的损失定义,可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果,并且模型和代码都可以在该链接公开获取。
Aug, 2022
本文使用卷积神经网络进行单张图像表面法线的预测,并通过加入人工约束和中间表征优化网络结构,得到了表现最优的结果。
Nov, 2014
采用贝叶斯方法为图像超分辨率模型估算输出的不确定性,并利用批标准化层的不确定性估算技术生成 Monte-Carlo 样本,提出一种更快的生成样本的方法,以及降低输入图像的模型不确定性的方法和抵御对抗性攻击的方法以提高模型的性能。
Mar, 2019
本文提出了一个针对光度立体问题的不需要校准的深度神经网络框架,通过估计输入图像的光线方向来计算表面法线、双向反射分布函数值和深度,同时显式模拟图像形成过程中的凹凸面部分的互反射效应,结果表明该方法在挑战性主题上表现优于监督和经典方法。
Dec, 2020
基于学习的不完整场景几何构建的 3D 不确定性场,可以明确识别未见区域,推理高不确定性,并适用于实际机器人任务。
Nov, 2023
本文提出了一种空间矫正器,用于估计倾斜图像的表面法线,并结合截断角损失和 Tilt-RGBD 数据集的应用,取得了优于现有方法的表现。
Jul, 2020
GroundNet 模型通过多任务联合优化像素级表面法线方向、地面平面分割和深度估计,实现从单张图像中估算出地面平面的 3D 方向,通过加入一致性损失优化了地面平面法线预测,并在 ApolloScape 和 KITTI 等真实世界数据集上取得了顶尖水平。
Nov, 2018