May, 2024

FA-Depth：面向快速准确的自监督单目深度估计

PDF
TL;DR设计了 SmallDepth 方法以平衡精度与速度，通过等效转换模块、金字塔损失和函数逼近损失的引入，提高了 SmallDepth 的效果，实验结果在 KITTI 数据集上达到了最先进水平，并具有 500 帧每秒的推理速度和约 2 M 参数。
scene depthsmalldepthequivalent transformation modulepyramid lossfunction approximation loss
发现论文，激发创造
  • FastDepth：嵌入式系统上的快速单目深度估计

    本文提出了一种在嵌入式系统上实现快速单视图深度估计的高效轻量级编码器 - 解码器网络架构，涉及深度感知、机器人任务以及神经网络等关键词。在使用 NVIDIA Jetson TX2 GPU 或仅使用 TX2 CPU 时，FastDepth 可以达到每秒 178 帧或每秒 27 帧，并保持低功耗，同时在 NYU Depth v2 数据集上达到接近业界最佳准确度，是目前作者所知道的实时单目深度估计最低延迟最高吞吐量的深度神经网络。

    Mar, 2019

  • 深度邻居层聚合轻量级自监督单目深度估计

    我们提出了一种全卷积深度估计网络，利用上下文特征融合，采用高分辨率和低分辨率特征来保留小目标和高速移动物体的信息，进一步在解码器阶段采用基于卷积的轻量级通道注意力来优化深度估计结果，降低参数数量同时保持准确性。

    Sep, 2023

  • HQDec: 基于高质量解码器的自监督单目深度估计

    作者提出了一种高质量深度图解码器，通过自适应轴承、归一化位置、嵌入通道注意采样模块获取多级近无损细粒度信息，并利用自适应信息交换方案将其自适应地整合到具有高级语义特征的低分辨率特征图中，利用自适应细化模块建模像素之间的局部和全局依赖关系，在全局视角下建模差异值的分布特性，最终实现了深度估计结果的质量提升。

    May, 2023

  • HR-Depth：高分辨率自监督单目深度估计

    本文提出了改进的 DepthNet-HR-Depth，使用两种有效的策略 —— 重新设计 DepthNet 中的 skip-connection 以获得更好的高分辨率特征，并提出了特征融合 Squeeze-and-Excitation（fSE）模块以更高效地融合特征，以获得在高分辨率注意和低分辨率注意下超过所有最先进方法的性能。

    Dec, 2020

  • 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

  • F^2Depth: 自监督室内单目深度估计基于光流一致性和特征图合成

    提出了一种自监督室内单目深度估计框架 F^2Depth，利用自监督光流估计网络对深度学习进行监督，结合经过精调的光流估计网络产生的多尺度特征图进行特征图融合损失计算，实验结果表明该框架及其提出的损失函数具有较好的室内场景单目图像泛化能力。

    Mar, 2024

  • FG-Depth: 基于光流引导的无监督单目深度估计

    本文介绍了一种名为 FG-Depth 的简单而有效的框架，通过利用预训练的 Flow-Net 的先验知识来引导优化，从而打破了无监督单眼深度估计的瓶颈，提出了流蒸馏损失和基于先验流的掩模来提高模型性能以及消除噪声，实验结果表明，该方法在 KITTI 和 NYU-Depth-v2 数据集上均达到了最领先的效果。

    Jan, 2023

  • 自我监督的单眼深度估计中迈向更好的数据利用

    通过使用数据增强技术和细节增强的 DepthNet，该文提出了一种自我监督单目深度估计方法，拓展了训练数据的利用，并在 KITTI、Make3D 和 NYUv2 数据集上实现了最先进的性能。

    Sep, 2023

  • 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

  • RA-Depth: 分辨率自适应自监督单目深度估计

    本研究提出了一种分辨率自适应的自监督单目深度估计方法，通过数据增强和多路径编码器解码器等方法提高特征融合精度，进而在 KITTI，Make3D 和 NYU-V2 等数据集上取得了具有竞争力的结果。

    Jul, 2022