Oct, 2021

使用内部特征融合的自监督单目深度估计

PDF
TL;DR本文提出了一种基于 HRNet 网络的深度估计网络 ——DIFFNet，它能在下采样和上采样过程中利用语义信息，并通过特征融合和注意力机制提高算法表现，实验结果表明，该方法在 KITTI 基准数据集上优于当前最先进的单目深度估计方法，并具有处理更高分辨率数据的潜力。我们还通过建立具有挑战性案例的测试集提出了额外的评估策略。
self-supervised learningdepth estimationsemantic segmentation networksfeature fusionattention mechanism
发现论文，激发创造
  • 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

  • 自监督单目深度估计的细粒度语义感知表示增强

    本文提出了在无监督单目深度估计中引入跨域语义信息以提高几何表示的新思路，包括度量学习方法和特征融合模块，并在 KITTI 数据集上全面评估，在弱质地区和物体边界的监督限制下，本文提出的方法优于现有技术。

    Aug, 2021

  • FusionDepth: 用代价体积补充自监督单目深度估计

    本篇论文提出了一个基于多帧深度估计的框架，使用连续的多帧约束不断优化单目深度估计，利用贝叶斯融合层进行多帧深度估计的迭代，同时不需要深度监督训练。实验结果表明，该方法在 KITTI 基准测试中，相较于单个帧或多个帧的无监督方法，取得了更好的性能。

    May, 2023

  • HR-Depth：高分辨率自监督单目深度估计

    本文提出了改进的 DepthNet-HR-Depth，使用两种有效的策略 —— 重新设计 DepthNet 中的 skip-connection 以获得更好的高分辨率特征，并提出了特征融合 Squeeze-and-Excitation（fSE）模块以更高效地融合特征，以获得在高分辨率注意和低分辨率注意下超过所有最先进方法的性能。

    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

  • 时间机会主义者：自监督多帧单目深度

    提出 ManyDepth，一种自适应的、可以在测试时间利用序列信息的深度估计方法，通过深度自监督训练基于端到端代价体系积攒的方法，鼓励网络忽略不可靠的代价体以及针对静态相机场景的增强方案。实验证明此方法在 KITTI 和 Cityscapes 上表现优于其他单帧和多帧的自监督基线模型。

    Apr, 2021

  • 深入自监督单目室内深度估计

    室内深度自动估计的自我监督学习是困难的，挑战主要集中在大面积低纹理区域和复杂的内部训练数据上。本文提出了一种名为 IndoorDepth 的新方法，包括两个创新点：首先，我们提出了一种改进的结构相似（SSIM）功能的新颖光度损失函数，用于应对低纹理区域的挑战；此外，为了进一步减轻不准确的自身运动预测问题，我们使用多个不同阶段的光度损失进行训练，以构建更深的姿态网络。通过对实验的深入研究，我们验证了每个新想法的有效性。在 NYUv2 基准测试中，我们的 IndoorDepth 方法在性能上超过了之前的最新方法。此外，我们还在 ScanNet 数据集上验证了我们的方法的泛化能力。

    Dec, 2023

  • 基于层次特征引导扩散的无监督单目深度估计

    利用生成网络的训练策略，我们提出了一种在无监督单目深度估计中具有鲁棒性的扩散模型，并采用分层特征引导的去噪模块来丰富模型的学习能力，进一步探索了图像重投影中的隐式深度，并设计了一种隐式深度一致性损失，从而提高了模型的性能和深度在视频序列中的尺度一致性。实验证明，我们的方法在生成网络模型中脱颖而出，并且具有显著的鲁棒性。

    Jun, 2024

  • 用于自动驾驶的联邦无监督单目深度估计器的学习

    提出了一种新的方法 FedSCDepth，结合联邦学习和深度自监督，能够以与当前最先进的方法相媲美且更高效的方式进行单目深度估计的学习。在 KITTI 数据集上进行的评估实验表明，所提出的方法在测试损失低于 0.13，平均仅需要 1.5k 个训练步骤，并且每轮每辆自动驾驶车辆的权重数据传输量最多为 0.415 GB，达到了近乎最新技术的性能水平。

    Oct, 2023

  • 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