Nov, 2023

MonoProb: 解释性的无监督单目深度估计与不确定性

PDF
TL;DR自我监督单目深度估计方法是用于自主车辆环境分析等关键应用的方法。该论文提出了 MonoProb，这是一种新的无监督单目深度估计方法，返回一个可解释的不确定性，该不确定性反映了网络在深度预测中的期望误差。通过引入一种新的自训练损失，可提高深度和不确定性的性能。实验结果表明了我们方法在标准深度和不确定性指标以及我们设计的指标上的改进。
self-supervised monocular depth estimationmonoprobuncertaintyself-distillation lossdepth and uncertainty metrics
发现论文，激发创造
  • 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

  • 单目深度估计的自适应置信度阈值

    本文提出了一种使用自监督立体匹配方法生成的伪真实深度地图来辅助单目深度估计的新方法，并利用门限网络调整伪深度图。通过基于像素自适应卷积层提高单目深度估计精度，并取得了优异的实验结果。

    Sep, 2020

  • 基于梯度的单目深度估计不确定性

    本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。

    Aug, 2022

  • MonoDiffusion: 基于扩散模型的自监督单目深度估计

    通过将其作为迭代去噪过程进行建模，我们引入了一种新的自监督深度估计框架 MonoDiffusion，该模型通过伪真实扩散过程生成伪真实数据以辅助扩散，从而解决了缺乏真实深度数据的问题。通过应用蒸馏损失来指导去噪深度，并使用掩码视觉条件机制增强模型的去噪能力。在 KITTI 和 Make3D 数据集上进行的广泛实验证明了 MonoDiffusion 比现有的最先进竞争对手表现更好。

    Nov, 2023

  • 自监督单目深度估计探究

    该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

    Jun, 2018

  • 联合语义分割与单目深度估计的高效多任务不确定性

    通过结合不同的不确定性量化方法与联合语义分割和单眼深度估计，我们评估它们相对于彼此的性能，同时揭示了多任务学习在不确定性质量方面相对于分别解决两个任务的优势。基于这些认识，我们引入了 EMUFormer，这是一种新颖的学生 - 教师蒸馏方法，用于联合语义分割和单眼深度估计以及高效的多任务不确定性量化，它通过隐式利用教师的预测不确定性，在 Cityscapes 和 NYUv2 上取得了新的最先进结果，并且对于两个任务都估计了与 Deep Ensemble 相当或更优的高质量预测不确定性，尽管其效率是 Deep Ensemble 的一个数量级。

    Feb, 2024

  • SuperDepth: 自监督、超分辨率单目深度估计

    本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

    Oct, 2018

  • 生成并利用单目深度的概率估计

    该研究提出了一种通用的单目模型，可用于深度推理和完成等任务，无需针对每个应用重新训练。该模型在多个任务中均能产生高精度结果。

    Jun, 2019

  • 利用传统视觉里程计增强自监督单目深度估计

    该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

    Aug, 2019

  • 自监督单目深度提示

    该研究针对单目深度估计的自监督学习方法，在不需要昂贵激光扫描或其他基础数据的情况下，使用 Depth Hints 通过加入来自简单立体算法的参考感知补充了光度学重投影代价函数，从而提高训练深度估计网络时的深度预测精度，该方法取得了在 KITTI 数据集上的最优预测效果。

    Sep, 2019