Sep, 2023

IEBins：单目深度估计的迭代弹性分段

PDF
TL;DR通过引入迭代弹性分区的概念，利用以分类 - 回归为基础的方法来搜索高质量的深度，最终的实验证明了该方法在 KITTI、NYU-Depth-v2 和 SUN RGB-D 数据集上超过了之前的最先进技术。
monocular depth estimationclassification-regression problemiterative elastic binsdepth uncertaintytemporal context modeling
发现论文，激发创造
  • BinsFormer: 重温自适应分组用于单目深度估计

    本文提出了一种适用于基于分类 - 回归的深度估算任务的新框架 BinsFormer，该框架主要关注该任务中的两个关键组件：适应性 bins 的恰当生成和概率分布及 bins 预测之间的足够交互。

    Apr, 2022

  • AdaBins: 自适应分桶深度估计

    本论文提出了一种新型的基于 Transformer 的 AdaBins 深度估计架构，与现有技术相比，在多个流行的深度估计数据集上实现了显着提升，提供了代码和预训练模型的权重。

    Nov, 2020

  • LocalBins: 通过学习局部分布改善深度估计

    通过局部深度分布代替全局深度分布并将其引入编码器 - 解码器架构中，以提高从单个图像中估计深度的准确性

    Mar, 2022

  • 跳跃注意力的单目深度预测

    通过引入基于注意力机制的 Skip Attention Module，使得 Monocular Depth Estimation 的编码器和解码器特征更好地融合；并将问题表述为一个像素查询细化问题，利用提出的 Bin Center Predictor 模块进行限制性回归。在 NYUV2 和 KITTI 两个数据集上进行的广泛实验均表明，该架构的性能优于现有技术，并在 SUNRGBD 数据集上具有更好的泛化性能。

    Oct, 2022

  • 边缘处藏魔鬼：具有边缘感知一致性融合的单目深度估计

    本文提出了名为 ECFNet 的新型单目深度估计方法，通过单个 RGB 图像准确预测高质量的单目深度，应用了图像边缘信息和深度一致性模块来融合不同来源的初始深度，实现了领先的性能。

    Mar, 2024

  • 灵活深度完成的渐进解耦与调制

    提出了一种渐进的深度解耦和调制网络，通过将深度范围分解为多个范围，并自适应地生成多尺度稠密深度图，以解决现有深度离散化方法在不同场景中受深度分布变化影响导致子优化场景深度分布先验的问题。

    May, 2024

  • 基于语言的单目深度估计的深度提示

    使用自然语言作为一种显示世界结构的显式先验的研究中，首先证明了语言模型在训练过程中编码了这种隐式偏差，并通过一个简单的学习方法进行提取。然后，通过一个供给 MDE 系统使用的现成实例分割模型提供标签作为语言模型输入的显式假设源。在 NYUD2 数据集上展示了我们方法的性能，并与基准线和随机对照进行了比较的改进。

    Mar, 2024

  • 单目深度估计的双向注意力网络

    本文提出一种双向注意力网络（BANet）用于单目深度估计，通过利用神经机器翻译的概念基础和引入双向注意力模块，该方法能够高效地将局部和全局信息相融合，并在 KITTI 和 DIODE 数据集上显著优于传统的前馈模型以及其他现有的单目深度估计方法。

    Sep, 2020

  • 面向单目深度估计的可解释深度网络

    本研究介绍了一种方法，通过测定模型深度的某些隐藏单元对深度的特定区域的选择性，量化了深度网络的解释能力，并提出了一种在不改变原始架构的情况下训练可解释性深度网络的方法，并证明了该方法通过大幅提高其单位的深度选择性来增强深度网络的解释能力，并进一步提供了人们选择单元可靠性的全面分析，方法在不同层次，模型和数据集上的适用性以及对模型错误分析的演示。

    Aug, 2021

  • 医学图像中的深度分析：一项比较研究

    评估新发布的 Depth Anything 模型在医疗内窥镜和腹腔镜场景的零样本性能，与在一般场景训练的其他单目深度估计模型以及在内窥镜数据上训练的领域内模型的准确性和推理速度进行比较。发现虽然 Depth Anything 的零样本能力相当令人印象深刻，但在速度和性能方面并不一定优于其他模型。希望本研究能引发在医学场景中应用基础模型进行单目深度估计的进一步研究。

    Jan, 2024