IJCAIApr, 2023

单目深度估计的深度相关自注意力

PDF
TL;DR提出了一种名为 RElative Depth Transformer（RED-T）的深度估计模型，使用相对深度作为自注意力的指导，通过分配高关注权重来使类似深度的特征更加相似而不易被误用的视觉线索来提高深度估计的准确性，并在数据集上取得了竞争性的结果。
monocular depth estimationrelative depth transformerself-attentionvisual hintsmisused
发现论文，激发创造
  • 基于迁移学习的高质量单目深度估计

    本文提出了一种基于卷积神经网络的深度估计方法，结合迁移学习使用高性能网络初始化编码器以及增强和训练策略以获得更准确的结果，结果表明，即使是非常简单的解码器，我们的方法也能够产生细节详尽的高分辨率深度图像。

    Dec, 2018

  • 基于自监督学习的单目图像深度估计

    这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型，以提高相机获取的图像的三维深度感知的精度。

    Apr, 2023

  • 通过对抗训练重新思考单目深度估计

    该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。

    Aug, 2018

  • 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

  • 迈向单目深度估计的可解释性

    基于深度学习的方法在二维图像深度估计方面取得了显著进展，本研究重点关注人类对深度的感知能力，并通过特定实验间接评估方法的可解释性，结果显示各种方法的平均准确率约为 77%，其中一些方法表现较好，间接揭示了它们对发现单眼深度线索如相对尺寸的潜力。

    Oct, 2023

  • 深度邻居层聚合轻量级自监督单目深度估计

    我们提出了一种全卷积深度估计网络，利用上下文特征融合，采用高分辨率和低分辨率特征来保留小目标和高速移动物体的信息，进一步在解码器阶段采用基于卷积的轻量级通道注意力来优化深度估计结果，降低参数数量同时保持准确性。

    Sep, 2023

  • 自监督单目深度估计泛化性的深入挖掘

    本文研究使用自监督单目深度估计算法的主干网络（如 CNNs，Transformers 和 CNN-Transformer 混合模型）在广泛的公共数据集上的泛化性能，观察到 Transformers 具有很强的形状偏差，而 CNNs 则具有很强的纹理偏差，同时提出了一种新的 CNN-Transformer 混合网络，名为 MonoFormer，该模型具有最佳的广义性能和分类性能。

    May, 2022

  • 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

  • 通过自我监督辅助深度估计学习增强目标跟踪

    RGB-D 跟踪大大提高了物体追踪的准确性，但其对真实深度输入的依赖性和多模态融合的复杂性限制了其在各种场景中的适用性。我们提出了一种名为 MDETrack 的新方法，通过受监督或自监督辅助单眼深度估计学习，训练一个具有理解场景深度能力的跟踪网络，将 MDETrack 统一特征提取器的输出分别输入到并行的跟踪头和辅助深度估计头中。请参考我们在多个数据集上使用各种训练策略评估了我们的模型，结果显示即使没有真实的深度数据，我们的模型在物体追踪准确度上有所提升，从这些发现中我们突出了深度估计在提高物体追踪性能方面的潜力。

    May, 2024

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020