PPEA-Depth: 面向自监督单目深度估计的渐进式参数高效调整

AAAIDec, 2023

PPEA-Depth: 面向自监督单目深度估计的渐进式参数高效调整

PPEA-Depth: Progressive Parameter-Efficient Adaptation for Self-Supervised Monocular Depth Estimation

Yue-Jiang Dong, Yuan-Chen Guo, Ying-Tian Liu, Fang-Lue Zhang, Song-Hai Zhang

TL;DR自监督单目深度估计在自动驾驶和机器人领域具有重要意义。本文提出了一种渐进参数高效适应的方法，通过转移预训练的图像模型来实现自监督深度估计，解决了动态场景中的性能优化挑战，并通过在 KITTI、CityScapes 和 DDAD 数据集上进行广泛实验，取得了最先进的效果。

Abstract

self-supervised monocular depth estimation is of significant importance with applications spanning across autonomous driving and robotics. However, the reliance on self-supervision introduces a strong static-scene assumption, thereby posing challenges in achieving optimal performance i

self-supervised monocular depth estimation ppea-depth dynamic scenes parameter-efficient adaptation state-of-the-art performance

发现论文，激发创造

RA-Depth: 分辨率自适应自监督单目深度估计

本研究提出了一种分辨率自适应的自监督单目深度估计方法，通过数据增强和多路径编码器解码器等方法提高特征融合精度，进而在 KITTI，Make3D 和 NYU-V2 等数据集上取得了具有竞争力的结果。

Jul, 2022

EC-Depth：在具有挑战性场景下探索自监督单目深度估计的一致性

EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

Oct, 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

将自监督单目深度引入无监督域自适应中进行语义分割

通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。

Oct, 2021

挖掘自监督单目深度估计的潜在能力

该研究提出一种新的数据增强方法（data grafting）、探索性自蒸馏损失函数（exploratory self-distillation loss）、和全尺寸卷积神经网络，以提高自监督单目深度估计的表示能力和性能表现，实验结果表明该模型 EPCDepth 在更少的计算量下超越了之前的最新优秀模型。

Sep, 2021

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

EGA-Depth: 自监督多摄像头深度估计的高效引导注意力

本研究提出了一种新颖的自我学习多摄像机深度估计引导 - 注意力结构 EGA-Depth，可在自动驾驶中取得更好的效果，实现高效和准确的深度估计。

Apr, 2023

自监督实例适应的单目深度估计

本文介绍了一种新方法，可将任何现成的自我监督的单目深度重建系统扩展到在测试时使用多个图像。该方法利用自我监督来提高多个视图可用时深度重建的准确性，在 KITTI 基准测试中，我们的自我监督方法在常见的三种设置（单目、立体和单目 + 立体）下平均减少绝对误差 25％，并在准确性上接近完全受监督的最先进方法。

Apr, 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

自监督单目深度估计的三维排列

本文提出了一种新的自监督单目深度估计方法，结合几何学和一种新的深度学习网络 PackNet，使用无标签的单目视频进行学习。我们的方法使用了新的对称打包和解包块以共同学习使用 3D 卷积压缩和解压缩保留细节的表示。虽然是自监督的，但我们的方法在 KITTI 基准测试中优于其他自监督、半监督和全监督方法。PackNet 中的三维归纳偏差使其能够随着输入分辨率和参数数量的扩展而扩展，而不会过拟合，在 NuScenes 数据集等域外数据上具有更好的泛化性能。此外，此方法不需要在 ImageNet 上进行大规模监督预训练，并且可以实时运行。最后，我们发布了 DDAD（用于自动驾驶的稠密深度）数据集，该数据集使用全球自动驾驶车队上安装的高密度 LiDAR 产生的长距离和更加密集的地面真实深度进行评估。

May, 2019