Apr, 2024

SPIdepth: 自监督单目深度估计的加强姿势信息

PDF
TL;DR自监督单眼深度估计 (SPIdepth) 是一种在自动驾驶和机器人领域应用广泛的方法，通过加强姿势网络提升深度估计的能力，在捕捉细粒度场景结构方面取得了显著进展，通过在 KITTI 和 Cityscapes 等基准数据集上的实验证明了该方法的卓越性能，超越了现有方法。尤其值得注意的是，SPIdepth 的性能超越了无监督模型，并且在度量数据的微调后超过了现有方法，仅通过一张图像进行推断，超越了利用视频序列进行推断的方法，充分展示了该方法在实际应用中的有效性和效率。本研究对于自监督单眼深度估计具有重要的意义，强调了加强姿势信息在推进实际应用中的场景理解方面的重要性。
self-supervised monocular depth estimationspidepthpose networkscene understandingbenchmark datasets
发现论文，激发创造
  • SQLdepth: 通用的自监督细粒度单目深度估计

    自监督单目深度估计方法 SQLdepth 可以有效地从运动中学习细粒度场景结构，通过自查询层 (SQL) 构建自成本体积来推断深度。实验证明，SQLdepth 方法在自动驾驶等领域达到了卓越的性能，并具有更低的训练复杂度和更好的泛化能力。

    Sep, 2023

  • 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

  • 全天候深度补全

    我们提出了一种在不同光照条件下进行深度估计的方法，该方法通过多传感器融合的方式解决了低照度区域光度学信息不足的问题。我们的方法利用丰富的合成数据首先近似了三维场景结构，并通过学习从稀疏到（粗糙的）密集深度图的映射及其预测不确定性来引导深度的精修，从而提高了稀疏深度处理的效果。我们在 nuScenes 数据集上展示了该方法在不同场景中的改进表现。

    May, 2024

  • 基于自监督学习的单目图像深度估计

    这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型，以提高相机获取的图像的三维深度感知的精度。

    Apr, 2023

  • SuperDepth: 自监督、超分辨率单目深度估计

    本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

    Oct, 2018

  • 稀疏辅助网络实现单目深度预测和补全

    研究了如何从单个 RGB 图像中预测密集深度，并引入了新的 Sparse Auxiliary Networks 模块来同时执行深度预测和补全任务。在室内和室外数据集上的实验结果表明，该模块能够同时学习两个任务，并在深度预测方面取得重大进展。

    Mar, 2021

  • 自监督学习的深度和运动在光度不一致下的训练

    本文介绍了一种通过自监督学习获得单目序列深度和姿态的方法，该方法不需要基础数据的支持，增加了更强的几何量和时间图像序列内部一致性的约束条件，能够显著提高单目图像序列深度和相对姿态估计的性能。

    Sep, 2019

  • 时间机会主义者：自监督多帧单目深度

    提出 ManyDepth，一种自适应的、可以在测试时间利用序列信息的深度估计方法，通过深度自监督训练基于端到端代价体系积攒的方法，鼓励网络忽略不可靠的代价体以及针对静态相机场景的增强方案。实验证明此方法在 KITTI 和 Cityscapes 上表现优于其他单帧和多帧的自监督基线模型。

    Apr, 2021

  • MonoIndoor: 针对室内环境进行自监督单目深度估计的最佳实践

    本研究聚焦于自监督单目深度估计在室内环境下的困难，通过引入深度分解模块和残差姿态估计模块分别解决深度网络和姿态网络中的问题，实现相对室外环境更好的表现。

    Jul, 2021

  • MonoIndoor++: 自我监督单目深度估计在室内环境中的更好实践

    提出了一种基于 transformer 网络的深度分解模块、一个迭代的相机位置残差估计模块和一个直接进行坐标卷积编码的坐标引导策略，从而提高了自监督单目深度估计方法在室内环境中的性能。

    Jul, 2022