IJCAIApr, 2024

自我监督单目深度估计在低光环境中：向数据分布补偿迈进

PDF
TL;DR本文提出了一种自监督的夜间单目深度估计方法，不使用夜间图像进行训练，而是利用日间图像作为稳定的自监督信号，并应用物理先验来弥补昼夜差异，通过对昼夜数据分布的补偿，实现高效的单阶段自监督训练。实验结果表明，与现有方法相比，我们的方法在具有挑战性的 nuScenes-Night 和 RobotCar-Night 数据集上取得了领先的深度估计结果。
发现论文，激发创造
  • 夜间环境下的规范化：高效的自监督单目深度估计算法

    本文提出了一种新的单目深度估计框架，引入了基于先验的正则化来学习配准深度图像的分布知识以避免错误训练，并使用 Mapping-Consistent Image Enhancement module 来增强图像可视性和对比度，同时维持亮度一致性，最后使用基于统计的掩码策略调整纹理区域内删除像素数量的数量来解决在夜间场景下的问题，实验表明每个部分都是有效的，并取得了令人瞩目的成果和最新成果。

    Aug, 2021

  • 基于领域分离的自监督单目深度估计技术在全天候图像中的应用

    通过提出域分离网络，使用白天 - 黑夜图像对进行自监督深度估计， 使用生成对抗网络产生黑夜图片并结合正交性和相似性损失， 实现消除视差差异并获得更好的深度估计， 在 Oxford RobotCar 数据集上证明取得了领先深度估计结果。

    Aug, 2021

  • 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

  • 从黄昏直到黎明：利用视觉基础模型进行自监督夜间立体深度估计

    提出了一种算法，专注于夜间条件下准确的自监督立体深度估计，通过使用预训练的视觉基础模型提取具有挑战性场景的泛化特征，并提出了一种有效的匹配和集成方法，同时采用了新颖的遮罩方法来过滤掉违反光度一致性假设的像素，并提出了新颖的评估指标，实验证明了该方法的鲁棒改进。

    May, 2024

  • 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

  • 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

  • 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

  • 自监督单目深度提示

    该研究针对单目深度估计的自监督学习方法，在不需要昂贵激光扫描或其他基础数据的情况下，使用 Depth Hints 通过加入来自简单立体算法的参考感知补充了光度学重投影代价函数，从而提高训练深度估计网络时的深度预测精度，该方法取得了在 KITTI 数据集上的最优预测效果。

    Sep, 2019

  • 使用自注意力和离散视差体进行自监督单目训练深度估计

    本研究提出了两种新的方法以提高自监督单目训练深度估计，分别为自我关注和离散视差预测，将这两种方法应用到最先进的单目深度估计模型 Monodepth2 中，超越其他自监督和完全监督方法，获得在 KITTI 2015 和 Make3D 数据集上最好的结果。

    Mar, 2020