May, 2024

单目深度估计中无监督域自适应的一致性正则化

PDF
TL;DR在单目深度估计中，我们提出了一种基于一致性的半监督学习方法来解决无监督领域自适应问题，通过在源领域的预测结果和未标记目标样本的多个增强视图上的扰动一致性来实现源领域的预测规则化。与先前的方法相比，我们的方法简单且有效，只需要训练单个模型，实验结果表明，在 KITTI 和 NYUv2 等深度估计基准上与相关方法相比具有最先进的性能。
monocular depth estimationunsupervised domain adaptationsemi-supervised learningpairwise loss functionperturbation consistency
发现论文，激发创造
  • AdaDepth: 无监督内容一致自适应深度估计

    本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

    Mar, 2018

  • 通过视角一致性进行三维关键点估计的无监督领域自适应

    本文提出了一种新颖的无监督领域自适应技术，用于从单个深度扫描或图像预测 3D 关键点，利用视角一致性和几何对齐等方法提高预测准确度，实验结果表明该方法胜于现有的领域自适应技术。

    Dec, 2017

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019

  • 高维度非对抗源导向扰动下的一致性正则化 —— 用于分割中的无监督领域自适应

    本文提出了一种名为 BiSIDA 的双向风格诱导域自适应方法，利用一种简单的神经风格传输模型来高效地利用未标记的目标领域数据集，并利用一致性正则化方法来提高语义分割任务的准确性，实验结果表明，BiSIDA 在两种常用的合成 - 真实领域自适应基准测试中取得了最新的最优结果。

    Sep, 2020

  • 领域自适应的一致性正则化

    本文提出将一致性正则化项加入半监督 UDA 中，通过建模网络输出元素之间的像素之间的相互关系，在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。

    Aug, 2022

  • 跨域语义分割的不确定性感知一致性正则化

    提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

    Apr, 2020

  • 将自监督单目深度引入无监督域自适应中进行语义分割

    通过利用自监督单目深度估计技术提高无监督域自适应方法的语义分割性能并达到最先进的自动驾驶水平。

    Oct, 2021

  • 通过结构约束对自我训练进行规范化，用于无监督领域自适应

    该研究提出一种基于深度信息的结构性正则化方法，将物体对比约束融入传统的自学习目标中，通过 RGB 图像和深度图像的多模态聚类，实现对真实物体的一致性提取。在多个无监督领域自适应测试中，改进的方法在语义分割方面取得了显著效果提升。

    Apr, 2023

  • PixMatch: 通过像素一致性训练实现无监督领域自适应

    本文提出了一种基于目标域一致性训练的无监督域自适应框架，通过新的损失项实现了模型对目标图像和扰动版本的像素级一致性，并在两个挑战性的合成到真实数据集上取得了非常优秀的结果。

    May, 2021

  • 3D-PL：具有三维感知伪标记的域自适应深度估计

    利用真实数据生成可靠的伪地面真实数据，提供直接监督的领域适应框架，通过提出 2D 伪标签和 3D 感知伪标签等机制，实现深度评估的提高，有效地解决领域适应问题。

    Sep, 2022