本论文提出了一种新型的基于 Transformer 的 AdaBins 深度估计架构,与现有技术相比,在多个流行的深度估计数据集上实现了显着提升,提供了代码和预训练模型的权重。
Nov, 2020
本文提出了一种适用于基于分类 - 回归的深度估算任务的新框架 BinsFormer,该框架主要关注该任务中的两个关键组件:适应性 bins 的恰当生成和概率分布及 bins 预测之间的足够交互。
Apr, 2022
该研究提出了一种新的深度估计结构和训练策略,使用层次变压器编码器来捕获全局上下文,并设计轻量级但强大的解码器来生成估计的深度图,通过构建连接不同尺度的局部特征和全局解码流之间的连接路径,在分层特征融合模块的作用下,网络可以综合两种表示形式并恢复细节信息。与以往的解码器相比,本文提出的解码器具有更好的性能和更少的计算复杂度,并利用深度估计中的重要观察来改善深度特定的数据增强方法,网络在深度数据集 NYU Depth V2 上达到了最先进的性能,并表现出比其他模型更好的泛化能力和鲁棒性。
Jan, 2022
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
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
通过引入迭代弹性分区的概念,利用以分类 - 回归为基础的方法来搜索高质量的深度,最终的实验证明了该方法在 KITTI、NYU-Depth-v2 和 SUN RGB-D 数据集上超过了之前的最先进技术。
Sep, 2023
提出了一种渐进的深度解耦和调制网络,通过将深度范围分解为多个范围,并自适应地生成多尺度稠密深度图,以解决现有深度离散化方法在不同场景中受深度分布变化影响导致子优化场景深度分布先验的问题。
May, 2024
文章提出了一种新的方法将深度回归问题由连续问题转化为离散二分类问题来提高深度估计的准确性和鲁棒性,在保证实时性的前提下比先前方法能更好地估计不确定性,显著降低因不确定性导致的估计误差,并提高三维地图重建的精确度和内存效率。
Dec, 2019
提出了一种名为 DisDepth 的跨体系结构知识蒸馏方法,用于增强具有卷积结构的高效卷积神经网络模型的性能,并且通过教师模型传递有价值的信息以改进单目深度估计的准确性。
Apr, 2024
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