Jun, 2024

回归到颜色：学习深度到特定颜色转换用于无监督深度估计

PDF
TL;DR使用虚拟引擎生成密集深度图，通过训练真实世界数据的模型来处理合成颜色与真实世界颜色的差异，从而在复杂和不确定的环境中实现无监督单目深度估计任务的性能提升。
virtual enginesdepth estimationback2colorunsupervised monocular depth estimationreal-world scenes
发现论文，激发创造
  • 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

  • Refine and Distill: 利用循环不一致性和知识蒸馏进行无监督单目深度估计

    提出了一种基于自监督深层模型的新型单目深度估计框架，其中包括通过反向循环模型进行的深度估计网络优化、信息蒸馏等策略。此框架在 KITTI 基准测试中表现出良好的性能，胜过了目前的非监督方法。

    Mar, 2019

  • 自监督学习领域不变特征用于深度估计

    本文提出一种自监督学习的新训练策略，通过图像转换网络实现在合成和真实领域之间的域不变表示学习，从而提高单张图像深度估计在现实世界中的泛化能力。实验结果表明，该方法在 KITTI 和 Make3D 数据集上均优于现有技术。

    Jun, 2021

  • 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

  • 基于自监督学习的单目图像深度估计

    这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型，以提高相机获取的图像的三维深度感知的精度。

    Apr, 2023

  • 利用传统视觉里程计增强自监督单目深度估计

    该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

    Aug, 2019

  • 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

  • T2Net: 用于解决单图像深度估计任务的从合成到逼真的翻译

    本文提出一种基于图像翻译网络和深度预测网络的框架，使用合成的图像 - 深度对和非配对的真实图像进行训练，实现单图深度估计。该框架可以端到端训练，得到好的结果，甚至超过使用真实配对数据的早期深度学习方法。

    Aug, 2018

  • 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

  • CutDepth: 基于边缘感知的深度估计数据增强

    这篇论文研究了单目深度估计这一任务的数据扩充方法，并提出了一种名为 CutDepth 的数据扩增方法，能够在不破坏边缘特征的情况下扩充数据，从而显著提高了估计精度。

    Jul, 2021