Jun, 2024

PatchRefiner: 利用合成数据进行真实领域高分辨率单目度量深度估计

PDF
TL;DRPatchRefiner 是一个高级框架，用于处理高分辨率实际领域输入的度量单图深度估计。通过使用瓷砖分割方法，采用了细节与尺度解耦的损失函数并结合合成数据，PatchRefiner 在深度估计方面取得了显著的性能提升，大幅超过了现有基准，在真实世界数据集上展示了细节准确性和尺度估计的改进效果。
patchrefinerdepth estimationhigh-resolutionreal-world scenariossynthetic data
发现论文，激发创造
  • PatchFusion：一种面向高分辨率单目度量深度估计的端到端基于瓦片的框架

    单幅图像深度估计是计算机视觉和生成建模中的基础任务。本文提出了一种名为 PatchFusion 的新颖的基于块状的框架，通过三个关键组件改善了目前最先进的技术，并在多个数据集上展示了其高分辨率深度图的能力。

    Dec, 2023

  • 用于单目深度估计的高分辨率合成 RGB-D 数据集

    本文使用 Grand Theft Auto (GTA-V) 生成高分辨率的合成深度数据集 (HRSD)，包含 100,000 张彩色图像和相应的密集地面真实深度图，实验结果表明，使用此数据集训练的 DPT 算法在不同场景下的深度估计精度提高了 9％，进一步利用特征提取模块和注意力损失，可以将准确度提高 15％。

    May, 2023

  • PatchScaler：一种高效的与补丁无关的扩散模型用于超分辨率

    基于扩散模型的独立于补丁的单图像超分辨率方法 PatchScaler 显着提高了图像质量，降低了计算成本，并实现了快速推理速度。

    May, 2024

  • DeepPruner: 通过可微分 PatchMatch 学习高效的立体匹配

    本研究通过开发可微分的 PatchMatch 模块来显著加快现有最先进立体视觉算法的运行时间，从而实现实时推断，并进一步创新性地利用图像引导优化模块来进一步提高性能。实验结果表明，该方法在 KITTI 和 SceneFlow 数据集上具有竞争力的结果，并能以 62ms 的实时速度运行。

    Sep, 2019

  • 鲁棒的几何保持深度估计 - 使用可微分渲染

    通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。

    Sep, 2023

  • 领域转移的合成数据生成用于提高单目深度估计

    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。

    May, 2024

  • 域整理：简化图像缓解合成 - 真实域间的转移并提高深度估计

    通过注意力模块，学习识别和去除真实图像中的困难部分，以提高合成数据训练的模型对真实图像的景深估计。

    Feb, 2020

  • DualRefine: 应用自监督方法的深度及姿态估计技术，通过迭代次数的外极线采样及精度提高达到平衡状态

    本文提出了一种用于自监督多帧深度估计的 DualRefine 模型，通过反馈循环紧密耦合深度和姿态估计，使用一个深度均衡模型框架来迭代地改进深度估计，同时结合极线几何计算局部匹配成本，证明在 KITTI 数据集上具有竞争性的深度预测和里程计预测表现，超过了已有的自监督方法。

    Apr, 2023

  • P$^{2}$Net: 基于 Patch-match 和平面正则化的无监督室内深度估计

    本论文针对室内场景中的无监督深度估计任务，提出了一种名为 P$^2$Net 的方法，该方法利用大局部梯度点提取有效补丁，并使用多视图一致性损失和超像素作为平面先验进行深度预测，实验证明该方法显著优于现有的方法。

    Jul, 2020

  • DepthSynth：基于 CAD 模型实时生成逼真合成数据用于 2.5D 识别

    通过模拟关键因素（如传感器噪声、材料反射、表面几何）生成真实的深度数据，以提高深度神经网络的训练效果。

    Feb, 2017