May, 2022

GeoRefine：用于精确密集地图的自监督在线深度细化

PDF
TL;DRGeoRefine 是一种深度细化系统，用于几何一致的稠密映射，包含三个模块：SLAM 模块，在线深度细化模块和全局映射模块。系统设计严谨，通过使用基于学习的先验知识的混合 SLAM 模块、自监督损失和避免在线深度细化退化情况的精心系统设计，实现了良好的鲁棒性和精度。在多个公共数据集上广泛评估 GeoRefine，达到了低至 5％的绝对相对深度误差。
发现论文，激发创造
  • DualRefine: 应用自监督方法的深度及姿态估计技术，通过迭代次数的外极线采样及精度提高达到平衡状态

    本文提出了一种用于自监督多帧深度估计的 DualRefine 模型，通过反馈循环紧密耦合深度和姿态估计，使用一个深度均衡模型框架来迭代地改进深度估计，同时结合极线几何计算局部匹配成本，证明在 KITTI 数据集上具有竞争性的深度预测和里程计预测表现，超过了已有的自监督方法。

    Apr, 2023

  • GasMono：室内场景中基于几何辅助的自监督单目深度估计

    通过多视图几何从单目序列中获取粗略相机姿态以解决室内场景中自监督单目深度估计的挑战，通过旋转和平移 / 缩放优化来改进姿态，通过全局推理的视觉变换器和迭代的自蒸馏机制软化低纹理效果，实验结果显示了框架中每个组件的有效性，并提供了室内自监督单目深度估计的新的技术水平以及出色的泛化能力。

    Sep, 2023

  • GeoNet: 密集深度、光流和相机位姿的无监督学习

    本文提出了 GeoNet，这是一个基于联合无监督学习的框架，可用于从视频中估计单眼深度、光流和 Ego-motion。基于 3D 场景几何关系，由我们的框架以端到端的方式联合学习。实验结果表明，在 KITTI 驾驶数据集中，我们的方法在三个任务中均取得了最先进的成果，优于以前的无监督方法，并与受监督方法相当。

    Mar, 2018

  • 单目视频中几何约束的自监督学习：连接光流、深度和相机

    GLNet 是一种自监督框架，可从单目视频中学习深度估计、光流、相机姿态和内在参数，包括设计考虑多种几何约束及自适应光度损失的新型损失函数、扩展模型以预测相机内参、提出几种在线细化策略。在 KITTI 和 Cityscapes 数据集上，GLNet 优于以前的自监督方法，并且在 YouTube 视频中表现良好。

    Jul, 2019

  • 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

  • SelfReDepth: 自监督实时消费级传感器深度恢复

    使用自我监督学习技术，通过 RGB-D 传感器捕获的完整深度图像，提出了 SelfReDepth 深度恢复的自监督深度学习方法，用于去噪和填充深度图，目标是在实时动态环境中高质量地去噪深度视频，与各种 RGB-D 传感器兼容并可用于其他深度依赖算法的预处理步骤。

    Jun, 2024

  • 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

  • 联合基于图形的深度细化和法线估计

    本文提出了一种新颖的深度细化框架，旨在恢复逆深度图的分段平面特征，该框架将逆深度图建模为像素之间的加权图，设计了一种自动估计每个像素平面的正则化项，经过实验证明，该方法在视觉和数值上均相对于 Middlebury、KITTI 和 ETH3D 多视角立体数据集上的最先进算法有重大改进。

    Dec, 2019

  • 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

  • SQLdepth: 通用的自监督细粒度单目深度估计

    自监督单目深度估计方法 SQLdepth 可以有效地从运动中学习细粒度场景结构，通过自查询层 (SQL) 构建自成本体积来推断深度。实验证明，SQLdepth 方法在自动驾驶等领域达到了卓越的性能，并具有更低的训练复杂度和更好的泛化能力。

    Sep, 2023