Sep, 2023

DEUX: 主动探索学习无监督深度感知

PDF
TL;DR通过对机器人导航视角下利用三维交互环境收集数据进行深度完成学习的研究，我们评估了四个深度完成模型，并发现数据的采集方式对模型性能具有直接的积极影响。因此，我们提出了一种基于深度不确定性的主动任务导向的深度完成学习方法（DEUX），通过使用我们的方法收集的数据，相比于现有的探索方法，平均提高了超过 18％的深度完成模型在 MP3D 测试集上的性能，同时对零样本泛化性能有所改善，并提供了整合基于机器人学习的深度估计的新见解。
发现论文，激发创造
  • 基于三维感知和几何一致性引导的自监督深度补全

    本研究提出了一种基于 3D 感知特征和多视角几何一致性的高精度自监督深度完成方法，通过构建 3D 感知空间传播算法和引入多视角几何约束，实现了无监督下的高精度深度完成，并在 NYU-Depthv2 和 VOID 等评测数据集上取得与有监督方法相媲美的性能。

    Dec, 2023

  • 视频非监督单目深度的持续学习

    我们提出了一种基于重演的双存储器方法 MonoDepthCL，用于在连续学习深度估计时利用时空一致性，即使相机内参未知。

    Nov, 2023

  • 深度无处不在：通过透视蒸馏和无标签数据增强提升 360 度单目深度估计

    360 度图像的深度估计是虚拟现实、自主导航和沉浸式媒体应用中至关重要的，本研究提出了一种使用未标记 360 度数据的深度估计框架，通过六面立方体投影技术生成伪标签来高效标注 360 度图像的深度，并在深度估计的准确度上展示了显著改进，特别是在零样本情况下。

    Jun, 2024

  • 视频中深度和自运动的无监督学习

    本文提出了一种无监督学习框架，通过使用视图合成作为监督信号，同时训练深度和相机位姿估计网络以完成从非结构化视频序列中的单目深度和相机运动估计的任务。经验评估表明，我们的方法具备与基于监督方法使用地面真值位姿或深度进行训练的方法相当的单目深度估计能力，并且在相似的输入设置下，姿态估计表现良好。

    Apr, 2017

  • EC-Depth：在具有挑战性场景下探索自监督单目深度估计的一致性

    EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

    Oct, 2023

  • 自主驾驶中基于自我监督学习的深度预测

    自主驾驶中深度预测的挑战和应用的研究，使用单目自监督学习方法，提出了条件生成对抗网络以及一种基于变换器的刚性场景和未来深度预测方法，以及视频到视频深度映射模型，用于改进对环境几何和动态物体运动的理解和决策。

    Mar, 2024

  • 自监督单眼深度估计的不确定性

    本文提出的自监督方法能够在 KITTI 数据集上以最先进的精度预测深度图，并且能够用于在训练过程中估计深度图的不确定性。

    May, 2020

  • CutDepth: 基于边缘感知的深度估计数据增强

    这篇论文研究了单目深度估计这一任务的数据扩充方法，并提出了一种名为 CutDepth 的数据扩增方法，能够在不破坏边缘特征的情况下扩充数据，从而显著提高了估计精度。

    Jul, 2021

  • 自我监督的单眼深度估计中迈向更好的数据利用

    通过使用数据增强技术和细节增强的 DepthNet，该文提出了一种自我监督单目深度估计方法，拓展了训练数据的利用，并在 KITTI、Make3D 和 NYUv2 数据集上实现了最先进的性能。

    Sep, 2023

  • 领域转移的合成数据生成用于提高单目深度估计

    基于 3D 合成环境和 CycleGAN 域转换的数据生成方法与常见的 NYUDepth V2 数据集相比，通过使用不同的真实和模拟数据集训练基于 DenseDepth 结构的深度估计模型，我们评估了模型在新采集的图像和 Husky 机器人的 LiDAR 深度数据上的性能，证明了 GAN 转换的数据在深度估计中可以作为有效的替代真实世界数据的方法。

    May, 2024