May, 2024
领域转移的合成数据生成用于提高单目深度估计
Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation
Seungyeop Lee, Knut Peterson, Solmaz Arezoomandan, Bill Cai, Peihan Li...
TL;DR基于 3D 合成环境和 CycleGAN 域转换的数据生成方法与常见的 NYUDepth V2 数据集相比,通过使用不同的真实和模拟数据集训练基于 DenseDepth 结构的深度估计模型,我们评估了模型在新采集的图像和 Husky 机器人的 LiDAR 深度数据上的性能,证明了 GAN 转换的数据在深度估计中可以作为有效的替代真实世界数据的方法。