Apr, 2024

MonoPCC：内窥镜图像单目深度估计的光度不变循环约束

PDF
TL;DRMonoPCC 通过将光度约束重新塑造成循环形式，根本性地解决了光度约束不可靠的亮度不一致问题，通过构建一个包含两个相反的前向后向变形路径的闭环，使得目标图像最终接收到从自身循环变形的图像，从而使约束对亮度变化具有不变性。此外，MonoPCC 将源图像的相位频率移植到中间的变形图像中以避免结构丢失，并通过指数移动平均（EMA）策略稳定训练，避免了前向变形频繁变化。在三个数据集上的广泛实验结果表明，我们提出的 MonoPCC 在亮度不一致性方面显示出很好的鲁棒性，并且通过至少降低 7.27％的绝对相对误差超过了其他最先进的方法。
photometric constraintself-supervised monocular depth estimationbrightness inconsistencymonopccabsolute relative error
发现论文，激发创造
  • 利用近场照明从内窥镜视频进行单目深度估计

    本论文介绍了在内窥镜图像中利用光度线索提高单目深度估计的方法，并通过使用自监督和监督训练的方法，结合教师 - 学生迁移学习，实现了对内窥镜图像的高质量深度估计。

    Mar, 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

  • 无监督单目深度预测的双向循环约束和自适应正则化

    使用几何方法和立体图像训练卷积神经网络可以在单张图片中预测场景深度，性能优于最先进的无监督单目深度预测方法，并适用于不同数据集。

    Mar, 2019

  • 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

  • EC-Depth：在具有挑战性场景下探索自监督单目深度估计的一致性

    EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

    Oct, 2023

  • P2D: 一种基于自监督的偏振深度估计方法

    本文提出了一种基于极化成像的自监督单目深度学习网络，以利用色散不敏感的极化信息，提高深度估计结果，特别是对于高光区域。

    Jul, 2020

  • 姿势约束用于一致的自监督单目深度和自我运动

    引入了一组时间一致性损失，用以减少自监督单目深度估计中尺度混淆和时间不一致性，提高深度和自我运动预测的基础性能。

    Apr, 2023

  • 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

    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。

    Apr, 2024

  • 回归事件基础：通过光度恒定实现事件相机图像重建的自我监督学习

    该论文通过自监督学习，将基于事件相机的图像强度重构问题与光流估计相结合，避免了需要真实数据的问题，并提出了一种轻量化的神经网络，以实现快速推理和高精度的光流估计。

    Sep, 2020

  • 自监督自运动估计的光度损失之外

    本研究针对相对姿态在视觉测距和同时定位与地图构建中的重要性，介绍了一种基于自我监督学习的方法，同时优化相对姿态和目标图像深度，并通过引入在自我监督框架中被极线几何约束的匹配损失来弥合几何损失和光度损失之间的差距。在 KITTI 数据集上基于自适应估计运动的实验结果证实了该方法的效果优于现有的无监督自我运动估计方法。

    Feb, 2019