ECCVAug, 2022

基于梯度的单目深度估计不确定性

PDF
TL;DR本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。
monocular depth estimationuncertainty estimationdeep neural networkauxiliary loss functionkitti
发现论文，激发创造
  • 神经网络中的深度不确定性

    通过对神经网络的深度进行概率推理，我们能够只需一次前向传播，就能估计模型的不确定性。在真实的回归和图像分类任务中，我们验证了这一方法的效果，并证明它能提供不确定度校准、对数据集变化的鲁棒性和与计算成本更高的基线准确度相当的预测结果。

    Jun, 2020

  • 从单张图像推断深度分布

    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

  • 基于不确定性驱动的损失函数的鲁棒深度补全

    本文提出了基于不确定性驱动的深度补全方法，采用 Jeffrey's prior 作为鲁棒深度补全的明确不确定性公式，同时结合参数化不确定性驱动损失函数进行预测并进行像素性的自适应预测，实现高峰值信噪比、均方误差和归一化均方误差等关键指标上的表现的提升，并利用多尺度联合预测模型提取出深度和不确定度，并利用估计的不确定度进行像素级高不确定度的预测，从而实现深度筛选优化。

    Dec, 2021

  • 自监督单眼深度估计的不确定性

    本文提出的自监督方法能够在 KITTI 数据集上以最先进的精度预测深度图，并且能够用于在训练过程中估计深度图的不确定性。

    May, 2020

  • MonoProb: 解释性的无监督单目深度估计与不确定性

    自我监督单目深度估计方法是用于自主车辆环境分析等关键应用的方法。该论文提出了 MonoProb，这是一种新的无监督单目深度估计方法，返回一个可解释的不确定性，该不确定性反映了网络在深度预测中的期望误差。通过引入一种新的自训练损失，可提高深度和不确定性的性能。实验结果表明了我们方法在标准深度和不确定性指标以及我们设计的指标上的改进。

    Nov, 2023

  • 单目深度估计的不确定度度量与建模

    通过引入额外的训练规范项，我们的模型不需要额外的模块或多重推论，可以提供具有最先进可靠性的不确定性估计，并且与组合或抽样方法相结合时可以进一步改进。

    Jul, 2023

  • 深度完成的不确定性感知卷积神经网络：由开端到结束的不确定性

    本研究提出了一种使用归一化卷积神经网络（NCNNs）学习输入置信度估计的新方法，并提出了 NCNNs 的概率版本以产生具有统计意义的不确定性度量，可用于噪声深度传感器的深度完成任务，并在 KITTI 数据集上表现出在预测准确度、不确定性度量质量以及计算效率方面优于所有现有的贝叶斯深度学习方法，同时还展示了分离网络到并行不确定性和预测流的性能媲美具有数百万参数的常规方法。

    Jun, 2020

  • 单目深度估计的自适应置信度阈值

    本文提出了一种使用自监督立体匹配方法生成的伪真实深度地图来辅助单目深度估计的新方法，并利用门限网络调整伪深度图。通过基于像素自适应卷积层提高单目深度估计精度，并取得了优异的实验结果。

    Sep, 2020

  • 一种带有不确定性的新分布排序损失函数：相对深度估计中的应用

    该论文提出了一种新的相对深度估计方法，通过对深度分布进行概率分布的估计来提高估计的准确性，并提出了 Distributional Loss 来训练模型，可以输出标准差的置信度估计，该方法在度量深度估计上有较好的表现。

    Oct, 2020

  • 神经网络 RGB->D 感知：从视频摄像机中获得深度和不确定性

    本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通 RGB 相机转换成 RGB-D 相机，并实现更为精确、稳定、泛化性更好的 3D 场景重建。

    Jan, 2019