Oct, 2023

G2-MonoDepth: 从单目 RGB+X 数据进行广义深度推断的通用框架

PDF
TL;DR该论文研究了单目深度推断的统一任务，从各种机器人的不同场景中的各种原始数据中推断出高质量的深度图。开发了基本的基准测试 G2-MonoDepth，应用于深度估计、不同稀疏度的深度完成和未见场景中的深度增强，并在真实数据和合成数据上始终优于最先进的基准模型。
发现论文，激发创造
  • RT-MonoDepth: 嵌入式系统上的实时单目深度估计

    在本文中，我们提出了两种高效且轻量级的编码器 - 解码器网络结构，RT-MonoDepth 和 RT-MonoDepth-S，用于降低嵌入式系统上的计算复杂性和延迟，以实现实时深度估计。我们的方法论表明，在单个 RGB 图像的更快推断速度下，可以达到类似于先前最先进深度估计作品的准确性。与现有的快速单目深度估计方法相比，我们提出的网络 RT-MonoDepth 和 RT-MonoDepth-S 在分辨率为 640×192 的单个 RGB 图像上在 NVIDIA Jetson Nano 上运行速度为 18.4＆30.5 FPS，在 NVIDIA Jetson AGX Orin 上运行速度为 253.0＆364.1 FPS，并在 KITTI 数据集上达到相对最先进的准确性。据作者所知，本文在准确性和最快推断速度方面都达到了最好的水平。

    Aug, 2023

  • 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

  • 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

  • MonoIndoor++: 自我监督单目深度估计在室内环境中的更好实践

    提出了一种基于 transformer 网络的深度分解模块、一个迭代的相机位置残差估计模块和一个直接进行坐标卷积编码的坐标引导策略，从而提高了自监督单目深度估计方法在室内环境中的性能。

    Jul, 2022

  • 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

  • 用于半监督单目深度估计的 RGB-D 大型数据集

    使用基于学生 - 教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

    Apr, 2019

  • 基于深度学习的单目图像和视频深度估计方法：综述

    该论文综述了基于深度学习的单个 RGB 图像和视频的深度估计方法，包括输入输出模态、网络结构和学习方法的分类，历史里程碑，以及现有方法使用的流程、数据集和评估指标。

    Jun, 2024

  • 单视角立体匹配

    该研究论文采用视图合成过程和立体匹配相结合的方法，将单目深度估计问题分解为两个子问题，并明确地在推断过程中施加几何约束条件。经验证明，这种方法的性能优于以往的方法，并且只需使用少量的真实训练数据，同时也具有良好的泛化能力。

    Mar, 2018

  • GenDepth：通过地平面嵌入泛化任意相机参数的单目深度估计

    通过挑战传统趋势，本论文介绍了 GenDepth，一种能够适用于任意车载相机设置的新型模型，用于进行度量深度估计。通过创建具有不同车载相机系统的专门合成数据集，并结合对抗性域对齐的嵌入式镜头参数的新方法，GenDepth 在多个自动驾驶数据集上得到验证，展示了其对不同车载相机系统的最新泛化性能。

    Dec, 2023

  • 通过蒸馏跨域立体网络学习单目深度

    本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。

    Aug, 2018