Feb, 2024

单目图像的几何估计的自适应表面法线约束

PDF
TL;DR我们提出了一种新颖的方法，可以从图像中学习深度和表面法线等几何特征，同时结合几何背景。通过动态确定可靠的局部几何特征并评估其几何背景的有效性，我们建立了一个表面法线约束，从而实现了准确捕捉图像的 3D 几何信息。通过几何背景的整合，我们的方法在室内外多样化数据集上进行了广泛的评估和比较，证明了其高效性和稳健性。
geometrysurface normaldepth estimationgeometric context3d geometry
发现论文，激发创造
  • 深度估计的自适应表面法向约束

    提出了一种新的单幅图像深度估计方法，使用自适应表面法线约束，可以有效地将深度估计与几何一致性相关联，从而重建出准确的 3D 几何形状，其稳健性强，并在公共数据集上优于现有技术。

    Mar, 2021

  • 自适应法向约束下的遮挡感知深度估计

    提出了一种基于学习的多帧深度估计方法，通过引入组合法线图约束和遮挡感知策略，能更好地保留室内场景中的高曲率特征和全局平面区域，并优于其他算法在深度估计精度和保存几何特征方面的表现。

    Apr, 2020

  • 具边缘感知深度法向一致性的无监督几何学习

    本研究提出了一种基于表面法向量表示的深度无监督学习方法，通过构建深卷积网络层次结构，融入了边缘感知、光度误差和梯度平滑等前沿技术，从而实现单幅图像深度重建过程中的多种挑战，包括深度 / 法向量不连续和图像边缘保留等问题。在实验中，我们应用 KITTI 和 NYUv2 的室内外数据集来验证我们的算法的高效性和优越性。

    Nov, 2017

  • 强制执行虚拟法线的几何约束以进行深度预测

    本研究提出了一种基于高阶 3D 几何约束的深度预测模型，通过在重建的 3D 空间中随机采样三个点确定虚拟法向方向并设计相应的损失函数，能够显著提高深度预测的准确性，从而实现直接从深度图中恢复场景的 3D 结构（如点云和表面法向），进而消除了训练新子模型的必要性，并在 NYU Depth-V2 和 KITTI 等数据集上达到了最先进的性能水平。

    Jul, 2019

  • 虚拟正常：强制几何约束以获得精确稳健的深度预测

    研究表明，设计一种损失函数，以强制执行由重构的三维空间中随机抽样的三个点确定的虚拟法线方向的简单几何约束，可以显著提高单目深度估计的准确性和鲁棒性，并提出了一种利用虚拟法线学习鲁棒的仿射不变深度的方法。

    Mar, 2021

  • 利用掩模引导的自适应一致性约束改善神经室内表面重建

    通过两阶段训练过程、解耦视角相关与视角无关颜色、借助两个新的一致性约束来提高详细重建性能，同时引入关键的掩码方案以自适应地影响监督约束的选择，从而改善自我监督范式下的性能，在合成和真实世界数据集上的实验证明了降低先验估计错误干扰和实现高质量场景重建的能力，并保留了丰富的几何细节。

    Sep, 2023

  • 野外表面法线

    该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练，并使用两个新颖的损失函数进行训练。研究表明，该方法可以显著提高野外深度估计质量。

    Apr, 2017

  • GroundNet: 基于单目相机的地面平面法向估计与几何一致性

    GroundNet 模型通过多任务联合优化像素级表面法线方向、地面平面分割和深度估计，实现从单张图像中估算出地面平面的 3D 方向，通过加入一致性损失优化了地面平面法线预测，并在 ApolloScape 和 KITTI 等真实世界数据集上取得了顶尖水平。

    Nov, 2018

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • 为表面法线估计设计深度网络

    本文使用卷积神经网络进行单张图像表面法线的预测，并通过加入人工约束和中间表征优化网络结构，得到了表现最优的结果。

    Nov, 2014