ECCVJul, 2022

RA-Depth: 分辨率自适应自监督单目深度估计

PDF
TL;DR本研究提出了一种分辨率自适应的自监督单目深度估计方法，通过数据增强和多路径编码器解码器等方法提高特征融合精度，进而在 KITTI，Make3D 和 NYU-V2 等数据集上取得了具有竞争力的结果。
self-supervisedmonocular depth estimationresolution adaptationdata augmentationmulti-path encoder
发现论文，激发创造
  • 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

  • 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

  • 使用双重网络从视频中无监督地学习高分辨率深度

    该研究提出了一种双网络结构及自组装注意力模块，可以直接处理高分辨率图像，从而更有效地生成高分辨率和高准确度的景深图，并在 KITTI 和 Make3D 数据集上实现了单目景深估计中最先进的结果。

    Oct, 2019

  • 朝着零样本比例感知单目深度估计的方向

    本文提出了一种称为 ZeroDepth 的单目深度估计框架，采用输入级几何嵌入和变分潜在表示，并将编码器和解码器阶段解耦合，可以在不同域和相机参数的情况下预测任意测试图像的尺度。在户内（NYUv2）和户外（KITTI，DDAD，nuScenes）基准测试中，使用相同的预训练模型取得了最新的最佳成果，优于基于域内数据训练和需要测试时缩放以产生度量估计的方法。

    Jun, 2023

  • MonoIndoor++: 自我监督单目深度估计在室内环境中的更好实践

    提出了一种基于 transformer 网络的深度分解模块、一个迭代的相机位置残差估计模块和一个直接进行坐标卷积编码的坐标引导策略，从而提高了自监督单目深度估计方法在室内环境中的性能。

    Jul, 2022

  • RM-Depth：动态场景下基于循环结构的单目深度非监督学习

    该论文提出了一种无监督学习框架，通过使用逐步的递归调整和融合编码器和解码器特征来提高单张图像的深度推断，并使用多组滤波器用于残差上采样来学习保持边缘的滤波，使用基于自运动恢复的网络来估计移动对象的移动场，并进一步通过采用鲁棒训练损失对模型中参数的使用进行优化，该模型结构只使用单张图像在测试时间中，模型参数仅有 2.97 百万个，但却在 KITTI 和 Cityscapes 基准测试中实现了最先进的结果。

    Mar, 2023

  • AdaDepth: 无监督内容一致自适应深度估计

    本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

    Mar, 2018

  • 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

  • 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