Dec, 2023

自地面到物体：基于粗到细的自监督方法用于动态物体的单目深度估计与接触先验

PDF
TL;DR基于粗到细的训练策略，通过引入接触地面先验的监督和规范化损失，以及利用代价卷积的加权因子，在自主单目深度估计中提高对移动物体的准确性和性能。
self-supervised monocular depth estimationcoarse-to-fine training strategymoving objectsground-contacting priordepth learning
发现论文，激发创造
  • DS-Depth: 动态和静态深度估计通过融合代价体积

    我们提出了一种新颖的自监督单眼深度估计方法，使用动态成本体积来处理静态环境中的移动物体，通过静态和动态成本体积互补来改善深度图的准确性，并采用金字塔蒸馏损失和自适应光度误差损失来提高精度。实验证明，我们的模型在自监督单眼深度估计方面优于先前发布的基线模型。

    Aug, 2023

  • 自监督单目深度估计：通过语义引导解决动态物体问题

    本文提出了一种自主引导的语义深度估计方法（SGDepth），通过交叉域训练避免移动车辆和行人等动态类别对象对深度标签的干扰，利用异构网络头进行语义分割和深度估计，采用语义遮罩机制预防动态物体的污染，并引入一种检测算法学习移动类别对象的深度。通过在多个数据集上评估验证了该方法的性能。

    Jul, 2020

  • 无监督多帧单目深度的物体运动和遮挡分离

    这篇论文提出了一种自动学习的多帧单目深度预测方法 DynamicDepth，通过自补丁一致性学习方案训练一个新的框架，其中进行了动态物体运动分离来解决匹配问题，并设计了新型的遮挡感知代价卷积和复投影代价来减轻物体运动对遮挡的影响，实验证明该方法在动态物体方面显著优于现有的单目深度预测方法。

    Mar, 2022

  • 关注和对比学习的联合深度和运动场估计

    通过一种自监督学习框架，提出一种基于动态关注模块的两阶段投影管道，以明确解耦相机自我运动和物体运动，并提出了一种基于对比采样一致性的物体运动场估计方法，该方法在自监督单目深度估计、物体运动分割、单目场景流估计和视觉里程表任务上均优于现有的最先进算法。

    Oct, 2021

  • 动态场景下的无监督单目深度学习

    本研究提出一种方法，利用单眼光度一致性为唯一的监督，联合训练深度、自我运动估计和物体相对于场景的稠密三维平移场的估计，通过已知 3D 平移场的稀疏性和对于刚性移动物体的恒定性进行正则化，有效提高了单眼深度预测模型的准确性。

    Oct, 2020

  • 自我监督单目深度估计中动态区域的挖掘监督

    利用自我监督训练框架，将静态和动态区域的图像深度估计分离，通过伪深度标签改善动态场景的深度估计性能。

    Apr, 2024

  • 自主驾驶应用中的分层自监督单目绝对深度估计

    本文提出 DNet 方法，利用密集连接预测层（DCP）和密集几何约束（DGC）部分解决自我监督方法中单目深度估计的两个问题：精确的对象级深度推断和不确定的比例因子。实验证明，DCP 层可以更好地识别深度图像中的对象边界并改善对象级深度的连续性，而使用 DGC 执行比例恢复的性能与使用真实地面真值信息相当。

    Apr, 2020

  • 基于隐式线索的深度估计自监督联合学习框架

    本研究提出了一种利用单目和立体相机视频中的连续帧进行深度估计的自监督联合学习框架，其中使用了隐式深度线索提取器来利用动态和静态线索产生有用的深度建议，并通过引入高维注意力模块来提取清晰的全局变换。实验证明，所提出的框架在 KITTI 和 Make3D 数据集上优于现有技术。

    Jun, 2020

  • DO3D: 自监督学习单目视频的分解目标感知 3D 运动和深度

    提出了一种自监督方法，可以从单目视频中联合学习 3D 运动和深度。通过利用深度和运动网络相互协作来准确建模现实场景的几何和动态，进而改进了深度估计和 3D 动作估计的性能。

    Mar, 2024

  • FlowDepth: 光流与自监督单目深度估计的解耦

    通过动态的运动流模块及深度感知模糊和成本体积稀疏损失，在自我监督多帧方法中解决了深度估计中的运动物体、光流和光度误差问题，并在实验中表现出超越其他方法的性能。

    Mar, 2024