Jan, 2024

FoVA-Depth: 面向场景视角无关的深度估计 用于跨数据集泛化

PDF
TL;DR我们提出了一种在大视场摄像机数据上训练立体深度估计模型的方法，并能够推广到具有更大视场的数据。我们通过将训练数据变换为规范的大视场表示，并进行扩充，使单个网络能够推理出各种类型的扭曲，从而展示了我们方法在室内外数据集上的强大泛化能力，而这在以前的方法中是不可能的。
wide field-of-view camerasdepth estimationground truth datastereo depth estimation modelgeneralization ability
发现论文，激发创造
  • 深度场网络用于多视角场景的通用表示

    提出了一种使用 Transformer 架构学习隐式多视图一致场景表示并引入一系列 3D 数据增强技术的方法来增加视角多样性的深度估计网络，同时介绍了引入视角合成作为辅助任务，该网络在不使用显式几何约束的情况下在立体和视频深度估计方面取得了最先进的结果， 并在零样本领域泛化方面有了显著的提高。

    Jul, 2022

  • OmniMVS：全向立体匹配的端到端学习

    本文提出了一种新颖的端到端深度神经网络模型，用于从广角多视角立体成像中实现全向深度估计，并提出了大规模的合成数据集来用于算法的训练与测试。结果表明，所提出的方法在合成和实际环境中都生成了出色的结果，并优于现有技术。

    Aug, 2019

  • 正交发散鱼眼相机的深度估计分析与畸变修正

    提出了一种使用正交发散鱼眼相机进行去畸变和深度估计的立体视觉系统方法，通过使用两个虚拟针孔相机，可以创建一个立体对，并通过模拟和实验证明了该方法在去畸变和深度估计准确性方面的有效性。

    Jul, 2023

  • SweepNet: 宽基线全向深度估计

    本文提出了一种新颖的广基线全向立体算法，使用深度卷积神经网络从鱼眼图像计算密集深度估计，直接生成具有全 360 度覆盖的密集全向深度图，该算法的实验结果表明，在合成和实际数据集上，比传统的深度估计方法具有更高的准确性。

    Feb, 2019

  • SurroundDepth：用于自监督的多摄像机深度估计的环绕视图纠缠

    本文提出了一种名为 SurroundDepth 的新型深度估计方法，运用多摄像头技术以及跨视图变换器，实现了在自动驾驶中对深度地图的精准预测，且在多视角实现机体运动一致性，取得了 DDAD 和 nuScenes 两个数据集的最佳成绩。

    Apr, 2022

  • SDGE: 面向 360° 相机集合的立体引导深度估计

    360 度摄像机的深度估计中，使用 Stereo Guided Depth Estimation (SGDE) 方法，通过利用重叠区域的多视图立体结果来提高整个图像的深度估计，解决了传统多视图立体方法和单目方法的局限性。

    Feb, 2024

  • 使用非标定立体数据混合数据集训练保持几何特征的单级三维深度估计模型

    提出 GP$^{2}$ 训练方案，利用立体图像数据训练单视图深度估计模型，实现了在保持几何结构的同时提高了模型的准确度和速度，同时证明该模型在使用完备数据集很少情况下也能够学习到准确的深度预测。

    Jun, 2023

  • 无监督单目深度估计与左右一致性

    本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

    Sep, 2016

  • 使用极线时空网络的多视角深度估计

    本文提出了一种针对多视角深度估计的新方法，使用 Epipolar 时空变换器和混合专家模型，实现与 SOTA 方法相比更高的估计精度和速度。

    Nov, 2020

  • 面向开放世界的泛化：在线适应深度视觉里程计

    本研究提出了一种基于场景不可知几何计算和贝叶斯推理的在线适应深度视觉里程计的框架，该方法采用了自监督学习，解决了深度学习视觉里程计训练数据和测试数据之间的域差异，通过光流和深度等信息实现姿态估计，具有良好的通用性和自适应性。

    Mar, 2021