Sep, 2022

BEVStereo：动态时间立体下的多视角三维物体检测深度估计增强

PDF
TL;DR本文提出了一种基于时间立体的有效方法来处理三维物体检测中深度感知所固有的模糊性。其有效地选择了匹配候选项的比例，极大地减少了计算开销，设计了一种迭代算法来更新更有价值的候选项，使其适应于移动的候选项，并达到了比现有的 MVS 方法更好的性能。
3d object detectiontemporal stereomulti-view stereo (mvs) technologymoving objectscomputation efficiency
发现论文，激发创造
  • BEVStereo++：通过动态时间立体视觉，在多视角 3D 物体检测中准确估计深度

    提出了一个基于动态时间立体视觉策略的 3D 物体检测框架 BEVStereo++, 并通过使用运动补偿模块和长序列帧融合方法，实现了在 Waymo 和 nuScenes 数据集上的最先进表现 (SOTA)。

    Apr, 2023

  • STS：多视角三维检测的全景时空立体视觉

    利用 Surround-view Temporal Stereo 技术结合单眼深度算法实现深度学习，通过时间轴上的帧之间的几何对应来提高准确性，从而显著提高 3D 检测能力。

    Aug, 2022

  • BEVDepth: 多视角 3D 物体检测可靠深度获取

    本文提出一种新的基于相机的鸟瞰图三维目标检测方法，称为 BEVDepth，通过使用显式深度监督、镜头感知深度估计模块、深度细化模块以及定制的高效八叉树池化和多帧机制，实现了 60.9％的 NDS。这是相机模型首次达到 60％以上的 NDS 得分。

    Jun, 2022

  • BEVDet：高性能多摄像头鸟瞰视角三维物体检测

    本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

    Dec, 2021

  • BEVDet4D: 多相机 3D 物体检测中的时序线索利用

    提出一种名为 BEVDet4D 的新型监测方法，将视觉单帧数据提升至时空 4D 空间，通过对前一帧和当前帧候选特征的对比，使 BEVDet4D 能够访问时间线索，已达到与雷达检测方法相媲美的检测表现

    Mar, 2022

  • 高效多视图立体通用二分查找网络

    本文提出了一种高效的多视图立体重建方法，基于深度学习和二分搜索算法，大大降低了所需内存，同时取得了领先的精度。

    Dec, 2021

  • DELTAS: 通过学习三角化和稀疏点的密集化进行深度估计

    该研究提出了一种基于 interest point detection 和 descriptor learning 的深度估计方法，通过三个步骤，匹配、三角测量和稠密化得到 3D 点云，实现了高精度和低计算消耗的双赢，将该方法与强基线进行对比，表现优越。

    Mar, 2020

  • MVSNet: 不规则多视图立体的深度推断

    本文提出了一种用于计算多视图深度图的端到端深度学习框架 (MVSNet)，首先提取深度视觉图像特征，然后利用不同 iable homography 变形构建 3D 成本体积，并使用 3D 卷积对初始深度图进行规则化和回归，最终与参考图像相结合生成最终输出，其通过引入基于方差的成本度量来适应任意 N-view 输入， 其表现优于现有同类方法并能很好地泛化于室内室外数据。

    Apr, 2018

  • IterMVS: 迭代概率估计用于高效多视角立体

    IterMVS 提出了一种新的数据驱动方法来进行多视角高分辨率立体视觉，并使用基于 GRU 的估计器对深度的像素概率分布进行编码，结合多尺度匹配信息进行多次迭代，并通过分类与回归的结合来提取深度图。在 DTU，Tanks＆Temples 和 ETH3D 数据集上验证了方法的效率和有效性。

    Dec, 2021

  • DynamicBEV: 利用动态查询和时间上下文进行三维物体检测

    动态 BEV（Bird's Eye View）是一种新的查询方法，利用动态查询和动态场景下的聚类以及注意力机制，有效地从局部和远距离特征中聚合信息，实现对复杂场景的迭代适应，进而提高三维物体检测的效率和性能，从而在查询式 BEV 物体检测领域取得了划时代的突破。

    Oct, 2023