Mar, 2022

监测蒸馏方法用于正定深度补全

PDF
TL;DR提出采用可适应的知识蒸馏方法结合无监督训练和盲集成学习的 Monitored Distillation 方法，能在不存在地面真值数据的情况下，从单张图片、相应的稀疏点云和内置集成模型中获取稠密的深度信息，且在 VOID 室内场景数据集上比盲集成基线算法效果提高了 17.53%，比无监督方法效果提高了 24.25%，且比最好的有监督方法保持可比性。
发现论文，激发创造
  • Refine and Distill: 利用循环不一致性和知识蒸馏进行无监督单目深度估计

    提出了一种基于自监督深层模型的新型单目深度估计框架，其中包括通过反向循环模型进行的深度估计网络优化、信息蒸馏等策略。此框架在 KITTI 基准测试中表现出良好的性能，胜过了目前的非监督方法。

    Mar, 2019

  • 多视差一致性过滤的引导式单目深度估计的立体匹配知识

    本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

    Jan, 2024

  • 逆转循环：通过增强的单眼蒸馏实现自监督深度立体视觉

    本论文提出了一种新颖的自监督范式，通过单目完成网络提取单张图像线索和少量稀疏点用多个估计的共识机制来估计密集而准确的视差图，该方案在处理域偏移问题时具有显着的泛化能力。

    Aug, 2020

  • ADU-Depth: 基于注意力机制和不确定性建模的深度估计的注意力蒸馏

    通过训练师生网络用于深度估计，在单眼图像中引入空间线索以及利用知识蒸馏框架，包括特征蒸馏、响应蒸馏和显式建模深度估计的不确定性，优化深度估计，提高学习性能。

    Sep, 2023

  • MonoDiffusion: 基于扩散模型的自监督单目深度估计

    通过将其作为迭代去噪过程进行建模，我们引入了一种新的自监督深度估计框架 MonoDiffusion，该模型通过伪真实扩散过程生成伪真实数据以辅助扩散，从而解决了缺乏真实深度数据的问题。通过应用蒸馏损失来指导去噪深度，并使用掩码视觉条件机制增强模型的去噪能力。在 KITTI 和 Make3D 数据集上进行的广泛实验证明了 MonoDiffusion 比现有的最先进竞争对手表现更好。

    Nov, 2023

  • 单目深度图预测的半监督深度学习

    本文提出了一种半监督学习的深度学习方法，通过稀疏的真实深度数据和直接图像对齐误差来学习单目图像深度地图的预测，实验结果表现出一定的优越性。

    Feb, 2017

  • 基于注意力机制的深度蒸馏技术与三维感知位置编码在单目三维物体检测中的应用

    提出了一种名为 ADD 的基于注意力的深度知识蒸馏框架，采用 3D 感知的位置编码方式，以在 KITTI 3D 目标检测基准测试上实现单目 3D 目标检测的最先进性能。

    Nov, 2022

  • 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

  • 从视频中无监督学习尺度一致的深度

    本文提出了一种单目深度估计器 SC-Depth，它只需要使用未标记的视频进行训练，并能在推理时实现尺度一致的预测。我们的贡献包括：(i) 我们提出了一种几何一致性损失，惩罚相邻视角之间预测深度的不一致性；(ii) 我们提出了自动定位违反基本静态场景假设并在训练过程中引起噪声信号的移动对象的自我发现掩码；(iii) 我们通过详细的消融研究证明了每个组件的功效，并展示了在 KITTI 和 NYUv2 数据集中高质量的深度估计结果。此外，由于具有尺度一致性预测的能力，我们展示了我们训练的单目深层网络可以轻松地集成到 ORB-SLAM2 系统中以实现更强大和准确的跟踪。提出的混合 Pseudo-RGBD SLAM 在 KITTI 中具有很强的性能，并且在没有额外训练的情况下很好地推广到 KAIST 数据集。最后，我们提供了几个演示以进行定性评估。

    May, 2021

  • 用于半监督单目深度估计的 RGB-D 大型数据集

    使用基于学生 - 教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

    Apr, 2019