本文提出了一种新颖的多方向动态规划策略来自适应性地确定内点,以便最小化光滑性能量,并使用递归多项式插值算法迭代地细化深度梯度,从而实现更合理的表面法线,进而将其运用于具有实时性能需求的各种机器人和计算机视觉应用中。最终,该论文提出的 SDA-SNE 方法在空间不连续的区域表现出极高的性能。
Aug, 2022
本文介绍了一种基于三种滤波器的表面法线估计方法,适用于结构化的深度图像。作者使用三个大型的合成数据集以及比较其他基于几何的表面法线估计方法,证明了该方法的优越性,并提供了公共数据集和源代码。
May, 2020
本研究介绍了一种名为 3F2N + 的新方法,它通过引入一个新的不连续性判别模块(DDM),结合深度曲率最小化和相关系数最大化以及条件随机场,将不连续性判别能力引入表面法线估计器。实验结果表明,3F2N + 在各种数据集上实现了优于其他基于几何的表面法线估计器的性能。此外,本研究还展示了将 3F2N + 应用于机器人感知任务中的有效性。
Dec, 2023
SuperNormal 是一种快速、高保真度的多视图 3D 重建方法,利用表面法线图生成详细表面,通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数 (SDF) 的体积渲染,相较于现有的多视图光度立体重建方法,在效率和准确性上表现卓越。
该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练,并使用两个新颖的损失函数进行训练。研究表明,该方法可以显著提高野外深度估计质量。
Apr, 2017
提出了一种新的单幅图像深度估计方法,使用自适应表面法线约束,可以有效地将深度估计与几何一致性相关联,从而重建出准确的 3D 几何形状,其稳健性强,并在公共数据集上优于现有技术。
Mar, 2021
本文介绍了一种能够从深度图像中准确高效地推断表面法线信息的新型模块,以及一个能够同时提取并融合 RGB 图像和推理表面法线信息的数据融合卷积神经网络(CNN),并使用一个全新的数据集,该数据集包含在不同照明和天气条件下收集的大规模合成自由空间检测数据,证明了我们提出的算法能够在不同的数据集中取得最佳的性能表现。
Aug, 2020
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法,不需要任何手动特征或预处理,优于现有深度学习方法,在保留尖锐特征和空间等变性的同时,速度和参数效率均为同类算法的两个数量级。
Apr, 2019
基于物理驱动的深度学习框架用于单目深度估计,通过假设 3D 场景由分段平面组成,提出了一种新的正常 - 距离头来推导每个位置的深度,同时,通过开发的面感知一致性约束对正常和距离进行规范化,并引入了额外的深度头来改善框架的鲁棒性,利用有效的对比迭代细化模块根据深度的不确定性互补地对深度进行精细化改进,实验证明该方法在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上超过了现有的最先进竞争方法,值得注意的是,它在 KITTI 深度预测在线基准测试中的提交时间中排名第一。
Sep, 2023
本论文提出了一种基于 RGB-D 图像的表面法向估计的分层融合网络和自适应特征再加权,设计了混合多尺度损失函数来学习准确的法向估计,实验证明了该方法在场景理解中的有效性。