Nov, 2023

无相机独立的单张图像焦外模糊深度估计

PDF
TL;DR用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。
monocular depth estimationdefocus blurcamera-related parameterscorrection procedurecamera independent performance
发现论文，激发创造
  • Defocus 和 DNN：如何通过 DNN 利用 Defocus 模糊提高 3D 估计的深度

    本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统，并通过实验证明，相较于清晰图像，焦外特征能够有效提升深度预测准确性。

    Sep, 2018

  • 单目深度估计和 3D 物体检测的深层光学

    本文介绍了深层光学的概念，通过编码式的散焦模糊作为额外的深度线索，以端到端设计的光学和图像处理结合来解决单张图像的深度估计问题，提出了几种光学编码策略，并针对三个数据集进行了深度估计的端到端优化方案评估，结果表明在自由镜面设计方面得到了最佳结果，同时，使用单片透镜的色差也可以实现显著的改善深度估计性能，我们构建了一个物理原型，并验证色彩象差改善了在真实世界中的深度估计结果。此外，我们还在 KITTI 数据集上训练了物体检测网络，并表明为深度估计优化的镜头也导致改进了 3D 物体检测性能。

    Apr, 2019

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020

  • 深度和景深线索让去焦模糊检测更好

    本文提出了一种名为 D-DFFNet 的方法来检测图片中的 defocus 模糊区域。该方法通过隐式地结合深度信息和 DOF-edge 损失函数来理解 defocus 现象，并通过从预训练的单眼深度估计模型中提取深度特征。在公开基准数据集和新的大型数据集 EBD 上，该方法优于现有的各种方法。

    Jun, 2023

  • 聚焦模糊：连接深度估计合成与实际领域的差距

    本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。

    May, 2020

  • 从单个双像素图像中估计离焦映射和去模糊

    该研究提出了一种基于双像素图像的无监督学习方法，通过同时估计图像的焦散图和所有点的聚焦图来减轻焦散的影响并生成全聚焦图。

    Oct, 2021

  • 单目深度估计的光圈监督

    本文提出了一种新方法，通过使用相机光圈所提供的信息作为监督来训练机器学习算法从单幅图像中估计场景深度。为了使学习算法能够使用光圈效应作为监督，我们引入了两个可微的光圈渲染函数，使用输入图像和预测深度来模拟实际相机光圈引起的景深效应。然后我们通过端到端地训练单目深度估计网络来预测场景深度，使其最好地解释这些有限光圈图像作为输入全焦距图像的虚焦模糊渲染。

    Nov, 2017

  • 单目深度估计中扩展基于扩散的图像生成器的重新利用

    从单幅图像恢复 3D 深度是一项基础的计算机视觉任务，本研究提出了一种基于稳定扩散方法的仿射不变单目深度估计方法 Marigold，通过使用先前生成扩散模型中捕获的大量先验知识，该方法在各种数据集上取得了最先进的性能表现。

    Dec, 2023

  • 具有多焦点全像摄像头的模糊感知度量深度估计

    本文提出了一种新的使用多焦点光场相机的原始图像进行度量深度估计的算法，该算法特别适用于使用多个具有不同焦距的微透镜的多焦点配置。我们通过集成对应关系和模糊度线索利用模糊可知信息来改进失焦立体图像的视差估计，从而改进视差估计，并提出了逆投影模型的方法以达到精确和准确的度量深度估计。最终的结果表明，引入模糊度线索可以改善深度估计。我们通过对相对深度估计和通过 3D 激光雷达扫描仪获得的真实世界 3D 复杂场景进行地面真实度评估来证明我们的算法和深度尺度校准的有效性。

    Aug, 2023

  • 针对 3D 物体检测的任务感知单目深度估计

    本文提出了一种单目深度估计方法，通过前景 - 背景分离以及单独优化前景深度和背景深度的目标函数和深度解码器，极大地提高了前景目标深度的估计性能，并在应用于 3D 对象检测中各方面都达到了最先进的成果。

    Sep, 2019