ICLRFeb, 2023

VA-DepthNet: 单张图像深度预测的变分方法

PDF
TL;DRVA-DepthNet 是一种基于首阶变分约束的神经网络方法，能够在单张图像中预测场景深度，摒弃了简单监督学习方法所忽视的场景空间不变性和先验知识，并在多个基准数据集上得到了较高的预测准确度。
发现论文，激发创造
  • 单图深度预测的改进方法：多元高斯模型

    通过使用多元高斯分布的方式，以及协方差建模的方式，预测单幅图像的每个像素深度，提高单张图像深度预测的准确性。

    Mar, 2023

  • 基于深度序回归网络的单目深度估计

    采用间距增加离散化（SID）策略将深度网络学习重新构建为顺序回归问题，采用累积回归损失训练网络，同时采用多尺度网络结构，避免不必要空间池化，并能够平行捕捉多尺度信息，该方法在四个挑战性基准测试中实现了最先进的结果，并赢得了 Robust Vision Challenge 2018 年的冠军。

    Jun, 2018

  • ATGV-Net: 准确深度超分辨率

    本文介绍了一种结合深度学习和变分方法的 ATGV-Net 技术，用于实现单个深度图超分辨率过程，并展示其在不同基准测试下的最新成果。

    Jul, 2016

  • 在 ResNets 中实现变分深度搜索

    采用一次性神经架构搜索的方式，以削减计算成本，通过深度限定残差网络搜索空间，并提出基于分布的启发式算法进一步剪枝网络，验证预测性能不会受到影响，同时计算测试时不确定性估计比传统网络更加准确。

    Feb, 2020

  • 使用深度注意力体指导单目深度估计

    本文提出通过深度注意力体加入非局部共面性约束来引导深度估计，从而在室内环境中取得最先进的深度估计结果。

    Apr, 2020

  • CodeVIO：基于学习优化的密集深度视觉惯性里程计

    本文提出了一个轻量级的深度网络和视觉惯性测距（VIO）系统，利用提出的轻量级条件变分自动编码器（CVAE）来提高初始深度预测的精度和泛化能力，以便提供精确的状态估计和稠密的深度图。

    Dec, 2020

  • WorDepth: 变分语言先验对单目深度估计的应用

    使用单个图像进行三维重建存在困难，使用单个图像与文本描述相结合可以提高度量标度重建性能。

    Apr, 2024

  • 基于场景理解的深度稳健单张图片深度估计神经网络

    本篇论文提出了一种适用于室内和室外场景的两阶段 SIDE 框架，能够执行盲 SIDE，并通过使用深度可分卷积设计了一个多任务编码 - 解码 SIDE 网络 DS-SIDENet 以提高准确性。实验证明，该框架对扫描网室内图像和 KITTI 室外图像均表现出色。

    Jun, 2019

  • SDNet: 基于语义引导的深度估计网络

    论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型，通过对单目输入图像进行实验，我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。

    Jul, 2019

  • MultiDepth: 基于多任务回归与分类的单张图像深度估计

    MultiDepth 是一种新的卷积神经网络训练策略和体系结构，它允许将单个图像深度估计作为多任务问题来解决，辅助性任务可以禁用，从而有效地提高了训练精度和准确性。

    Jul, 2019