ICCVSep, 2021

挖掘自监督单目深度估计的潜在能力

PDF
TL;DR该研究提出一种新的数据增强方法（data grafting）、探索性自蒸馏损失函数（exploratory self-distillation loss）、和全尺寸卷积神经网络，以提高自监督单目深度估计的表示能力和性能表现，实验结果表明该模型 EPCDepth 在更少的计算量下超越了之前的最新优秀模型。
self-supervised methodsmonocular depth estimationdata graftingself-distillation lossfull-scale network
发现论文，激发创造
  • 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

  • 自我监督的单眼深度估计中迈向更好的数据利用

    通过使用数据增强技术和细节增强的 DepthNet，该文提出了一种自我监督单目深度估计方法，拓展了训练数据的利用，并在 KITTI、Make3D 和 NYUv2 数据集上实现了最先进的性能。

    Sep, 2023

  • 利用自监督深度估计提高语义分割的三种方法

    提出了一种半监督语义分割的框架，采用自监督单目深度估计和利用场景几何形状强数据扩增的方式，结合深度特征差异和难度级别，通过学生 - 教师框架选择最有用的样本进行语义分割的注释，实现了在 Cityscapes 数据集上半监督语义分割的最好结果。

    Dec, 2020

  • 利用传统视觉里程计增强自监督单目深度估计

    该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

    Aug, 2019

  • 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

  • 使用自注意力和离散视差体进行自监督单目训练深度估计

    本研究提出了两种新的方法以提高自监督单目训练深度估计，分别为自我关注和离散视差预测，将这两种方法应用到最先进的单目深度估计模型 Monodepth2 中，超越其他自监督和完全监督方法，获得在 KITTI 2015 和 Make3D 数据集上最好的结果。

    Mar, 2020

  • 自监督单目深度的语义引导表示学习

    本文研究自监督学习中如何直接运用语义结构来指导几何表示的学习，提出了一种新的基于预训练语义分割网络和像素自适应卷积的架构，并使用两阶段训练过程来克服动态对象上的常见语义偏差。结果表明该方法在所有像素、细节和语义类别上都优于现有方法，实现了自监督单目深度预测的最新水平。

    Feb, 2020

  • 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

  • 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

  • 自监督实例适应的单目深度估计

    本文介绍了一种新方法，可将任何现成的自我监督的单目深度重建系统扩展到在测试时使用多个图像。该方法利用自我监督来提高多个视图可用时深度重建的准确性，在 KITTI 基准测试中，我们的自我监督方法在常见的三种设置（单目、立体和单目 + 立体）下平均减少绝对误差 25％，并在准确性上接近完全受监督的最先进方法。

    Apr, 2020