Oct, 2023

移动增强现实深度估计：挑战与前景 -- 扩展版

PDF
TL;DR本文对移动增强现实中的度量深度估计进行了研究，探讨了硬件、数据和模型相关的挑战，并提出了利用移动设备相机和其他可用传感器的更多硬件相关信息、捕捉高质量数据以反映真实世界增强现实场景，以及设计模型架构来利用新信息等有希望的未来方向。
metric depth estimationmobile augmented realitymonocular depth estimationchallengesfuture directions
发现论文，激发创造
  • 移动设备上快速准确的单张图像深度估计，Mobile AI 2021 挑战赛报告

    本文介绍了 Mobile AI 挑战赛，通过提供包含 RGB 深度图像的大规模数据集，旨在开发基于端到端深度学习的高效的实时深度估计解决方案，可运行于移动设备上，并在 Raspberry Pi 4 上具有较快的运行速度和高精度度量。

    May, 2021

  • 移动平台稀疏监督实时单目深度估计

    该研究在保持模型简洁的情况下，通过设计选项和实验研究，实现了较高水平的深度估计性能，并在移动设备上实现了最优化。

    May, 2021

  • 使用手持设备在野外实时进行单张图像深度感知

    探究采用适当的网络设计和训练策略以及如何将结果网络映射到手持设备以实现实时性能的方式解决单张图像深度估计的低可靠性和需求高计算资源的问题，并通过实验证明这些快速网络具有良好的泛化能力以用于现实应用，包括野外中的实时深度感知增强现实和图像模糊处理。

    Jun, 2020

  • 通过线条解析几何形状：带有部分激光观察的单目深度估计

    该论文提出一种在机器人应用中提高单目深度估计精度的方法，通过残差神经网络，以 2D 激光测距仪的观察为基础，结合分类和回归损失进行连续深度估计，在障碍物避免中具有潜在的应用价值。

    Oct, 2016

  • LiteDepth：移动设备上快速准确的深度估计探究

    本文提出了一种名为 LiteDepth 的解决方案，使用小尺寸（1.4MB）的端到端学习模型和数据扩充策略来实现实时单目深度估计，采用多个损失项来提供充分的约束，并使用结构感知蒸馏进一步提高模型性能，获得了 MAI＆AIM2022 单目深度估计挑战赛的第二名并同时提供最快的推理速度。

    Sep, 2022

  • METER：用于单目深度估计的移动视觉变换器架构

    深度估计是自主系统评估自身状态和感知周围环境所需的基本知识。本文提出了一种新的轻量级视觉变换器架构 METER，用于嵌入式设备上的单目深度估计，能够在 NVIDIA Jetson TX1 和 NVIDIA Jetson Nano 等受限硬件上实现最先进的估计和低延迟推断性能。

    Mar, 2024

  • 单目深度估计：综述

    论文综述了五篇应用不同技术（包括监督、弱监督和无监督学习技术）尝试解决单目深度估计问题的论文，并比较这些论文之间的改进和理解，最后探讨了可能有助于更好地解决这一问题的潜在改进。

    Jan, 2019

  • RoboDepth 挑战：稳健深度估计方法和进展

    这篇论文总结了 RoboDepth 挑战中的获胜解决方案，重点关注鲁棒的自监督和全监督深度估计，涉及了深度估计、挑战赛、深度预测、超分辨率和降噪等方面的创新设计。

    Jul, 2023

  • 基于深度学习的单目深度估计：综述

    该研究对基于深度学习的单张图像深度估计方法进行了调研，总结了常用的数据集、评价指标和不同的训练方式，并讨论了未来研究中的挑战和方向。

    Mar, 2020

  • 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