Feb, 2024

SDGE: 面向 360° 相机集合的立体引导深度估计

PDF
TL;DR360 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。
depth estimationautonomous drivingmulti-camera systemsstereo guided depth estimation360-degree cameras
发现论文，激发创造
  • 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

  • 门控立体：基于门控和宽基线主动立体线索的联合深度估计

    该研究提出了一种基于主动门控立体图像的高分辨率和长距离深度估计技术 - Gated Stereo，该技术利用主动和高动态范围的被动捕获，利用多视图线索以及来自主动门控的飞行时间强度线索。其中，该研究提出了一种通过单目和立体深度预测分支组合的深度估计方法，并且每个块都通过监督和门控自监督损失进行监督，并为汽车场景获取了一种长距离同步门控立体数据集。该方法的性能比最佳 RGB 立体方法提高了 50％以上的 MAE，并比现有的单目门控方法在距离 160 米内的距离范围内提供了 74％的 MAE。

    May, 2023

  • 置信度引导的立体三维物体检测与分割深度估计

    通过使用分离前景和背景像素的解码器来进行深度估计及通过深度估计网络的置信度估计充当三维物体探测器软注意力机制，我们提出了一种置信度引导的立体 3D 物体检测方法。该方法在 KITTI 基准上表现优于现有的立体 3D 检测器。

    Mar, 2020

  • 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

  • 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

  • 360 度可学习代价卷积的立体深度估计

    提出一种新的神经网络架构，用于解决 360° 图像中的球面视差问题，并通过学习可移位滤波器构建代价体积以缓解失真问题，实验结果表明其对现有算法具有较好的鲁棒性和准确性。

    Nov, 2019

  • 基于 GPU 的半全局匹配实时立体估计

    该研究提出了一种可嵌入低功耗 GPU 设备的实时系统，使用 Semi-Global Matching 算法，针对机器人、高级驾驶辅助系统和自主车辆等的需求，在 640x480 的图像大小、128 个视差级别和 4 个路径方向下，以每秒 42 帧的速度生成可靠的视差估计结果。

    Oct, 2016

  • 用于单目深度估计的高分辨率合成 RGB-D 数据集

    本文使用 Grand Theft Auto (GTA-V) 生成高分辨率的合成深度数据集 (HRSD)，包含 100,000 张彩色图像和相应的密集地面真实深度图，实验结果表明，使用此数据集训练的 DPT 算法在不同场景下的深度估计精度提高了 9％，进一步利用特征提取模块和注意力损失，可以将准确度提高 15％。

    May, 2023

  • 用于半监督单目深度估计的 RGB-D 大型数据集

    使用基于学生 - 教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

    Apr, 2019

  • 边缘感知一致性立体视频深度估计

    通过使用双目输入，引进左右一致性损失函数，并提出一种保存边缘特征的损失函数来改善测试时训练中的深度模糊问题，提出了一种稠密的双目视频深度估计方法，调研结果表明该模型精度可靠。

    May, 2023