Sep, 2023

ADU-Depth: 基于注意力机制和不确定性建模的深度估计的注意力蒸馏

PDF
TL;DR通过训练师生网络用于深度估计，在单眼图像中引入空间线索以及利用知识蒸馏框架，包括特征蒸馏、响应蒸馏和显式建模深度估计的不确定性，优化深度估计，提高学习性能。
monocular depth estimationspatial cuesknowledge distillationdomain adaptationuncertainty of depth estimation
发现论文，激发创造
  • 基于注意力机制的深度蒸馏技术与三维感知位置编码在单目三维物体检测中的应用

    提出了一种名为 ADD 的基于注意力的深度知识蒸馏框架，采用 3D 感知的位置编码方式，以在 KITTI 3D 目标检测基准测试上实现单目 3D 目标检测的最先进性能。

    Nov, 2022

  • Refine and Distill: 利用循环不一致性和知识蒸馏进行无监督单目深度估计

    提出了一种基于自监督深层模型的新型单目深度估计框架，其中包括通过反向循环模型进行的深度估计网络优化、信息蒸馏等策略。此框架在 KITTI 基准测试中表现出良好的性能，胜过了目前的非监督方法。

    Mar, 2019

  • AdaDepth: 无监督内容一致自适应深度估计

    本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

    Mar, 2018

  • 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

  • 监测蒸馏方法用于正定深度补全

    提出采用可适应的知识蒸馏方法结合无监督训练和盲集成学习的 Monitored Distillation 方法，能在不存在地面真值数据的情况下，从单张图片、相应的稀疏点云和内置集成模型中获取稠密的深度信息，且在 VOID 室内场景数据集上比盲集成基线算法效果提高了 17.53%，比无监督方法效果提高了 24.25%，且比最好的有监督方法保持可比性。

    Mar, 2022

  • 跨架构知识蒸馏促进卷积神经网络在高效单目深度估计中的应用

    提出了一种名为 DisDepth 的跨体系结构知识蒸馏方法，用于增强具有卷积结构的高效卷积神经网络模型的性能，并且通过教师模型传递有价值的信息以改进单目深度估计的准确性。

    Apr, 2024

  • 使用自注意力和离散视差体进行自监督单目训练深度估计

    本研究提出了两种新的方法以提高自监督单目训练深度估计，分别为自我关注和离散视差预测，将这两种方法应用到最先进的单目深度估计模型 Monodepth2 中，超越其他自监督和完全监督方法，获得在 KITTI 2015 和 Make3D 数据集上最好的结果。

    Mar, 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

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019

  • 半监督对抗式单目深度估计

    本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

    Aug, 2019