May, 2024

从鸟瞰到街景：一项调查

PDF
TL;DR通过筛选 20 篇研究论文，本研究全面回顾了从对应的卫星图像合成街景图像的最新技术，主要发现是：（i）需要采用新颖的深度学习技术来合成更加逼真准确的街景图像；（ii）需要收集更多的数据集供公众使用；（iii）需要研究更加具体的评估指标来恰当评估生成的图像。结论是，由于使用了过时的深度学习技术，最近的文献未能生成详细多样的街景图像。
发现论文，激发创造
  • 卫星到街景合成用于地理定位

    该论文介绍了一种利用多任务架构，通过学习从卫星图像合成逼真街景的方法来解决街景图像地理定位的问题，并在 CVUSA 和 CVACT 基准测试中取得了最先进的表现。

    Mar, 2021

  • 基于几何引导的卫星图像街景全景合成

    本文提出了一种新的方法，通过建立街景全景图和卫星图像之间的几何对应关系，生成具有新颖性的街景全景图，并展示它在场景几何上的优越性。

    Mar, 2021

  • 从单一卫星图像生成街景全景视频

    本文提出了一种新方法，通过使用单张卫星图像和相机轨迹合成具有时间和几何一致性的全景视频。该方法使用了 3D 点云表示场景，并通过相应生成的稠密三维到二维相对应关系，实现了几何和时间上的一致性。同时使用级联网络和两个 Hourglass 模块生成粗特征和细特征以及最后生成逼真的视频。该方法在实验中得到了超越其他现有的合成方法的优异结果，并且是首个成功将跨视角图像合成为视频的方法。

    Dec, 2020

  • 超越地理定位：通过卫星图像与街景图像进行交叉视角匹配的细粒度街景图像定向

    使用街景图像进行定位时，精细定位角度的准确度对于提高街景图像的定位和地理定位任务的性能至关重要。本研究提出了两种方法，实现了对街景图像角度的细致估计，相较于以前的方法，准确度提高了 34.9% 至 28.2%。在训练中整合了精细定位角度估计，进一步提升了地理定位的性能。

    Jul, 2023

  • 基于深度透视变换的鸟瞰图车辆定位

    自动驾驶汽车的导航系统需要准确理解周围环境，本文提出了一个替代方法，通过生成场景的顶视图，提取其他车辆相对于自我车辆的距离和方向，同时通过将透视图 RGB 图像转换为鸟瞰地图的方法，有效捕捉了自动驾驶汽车所需的重要环境信息。

    Nov, 2023

  • 将车辆映射到鸟瞰图中的学习

    本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

    Jun, 2017

  • 一套公民科学工具包，利用开放街景图像收集人类对城市环境的感知

    Street View-level Imagery (SVI) 的自动下载、处理、裁剪和过滤方法以及用于评估人们对这些图像所描绘街道的感知的智能手机友好型调查软件的公开分析和复用方法。

    Feb, 2024

  • 利用街景图像增强航拍图像的单目高度估计

    通过结合街景图像和几何约束，本文提出了一种改进单目高度估计的方法，实验结果表明该方法比基线方法更准确且在精度和结构一致性方面有显著改进。

    Nov, 2023

  • StreetSurf：将多视角隐式表面重建扩展到街景

    本文提出了一种新型的多视角隐式曲面重建技术 ——StreetSurf，适用于广泛使用的自动驾驶数据集中的街景图像，特别是在没有 LiDAR 数据的情况下，旨在解决街景图像中场景几何形状、纹理等问题。

    Jun, 2023

  • DeepStereo：从世界影像中学习预测新视角

    本文提出了一种新颖的深度神经网络架构，其可直接从像素级数据对图像进行新视图综合，并通过端到端的训练实现。与传统的多阶段处理方法不同，该系统具有广泛适用性和高质量的结果，是深度学习应用于真实自然图像综合的首例研究。

    Jun, 2015