MEDeA：多视图高效深度调整

Jun, 2024

MEDeA: Multi-view Efficient Depth Adjustment

Mikhail Artemyev, Anna Vorontsova, Anna Sokolova, Alexander Limonov

TL;DR该论文提出了一种高效的多视图测试时间深度调整方法 MEDeA，相比于现有的测试时间方法，它的处理速度快了一个数量级。通过利用 RGB 帧和相机参数，MEDeA 预测初始深度图，通过优化局部缩放系数来调整它们，并输出具有时间一致性的深度图。与需要法线、光流或语义估计的测试时间方法不同，MEDeA 仅通过深度估计网络就可以产生高质量的预测结果。该方法在 TUM RGB-D、7Scenes 和 ScanNet 基准测试中取得了最新的研究成果，并成功处理了 ARKitScenes 数据集中的智能手机捕获数据。

Abstract

The majority of modern single-view depth estimation methods predict relative depth and thus cannot be directly applied in many real-world scenarios, despite impressive performance in the benchmarks. Moreover, single-view approaches cannot guarantee consistency across a sequence of fram

single-view depth estimation test-time optimization multi-view test-time depth adjustment temporally-consistent depth maps depth estimation network

发现论文，激发创造

EGA-Depth: 自监督多摄像头深度估计的高效引导注意力

本研究提出了一种新颖的自我学习多摄像机深度估计引导 - 注意力结构 EGA-Depth，可在自动驾驶中取得更好的效果，实现高效和准确的深度估计。

Apr, 2023

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

PPEA-Depth: 面向自监督单目深度估计的渐进式参数高效调整

自监督单目深度估计在自动驾驶和机器人领域具有重要意义。本文提出了一种渐进参数高效适应的方法，通过转移预训练的图像模型来实现自监督深度估计，解决了动态场景中的性能优化挑战，并通过在 KITTI、CityScapes 和 DDAD 数据集上进行广泛实验，取得了最先进的效果。

Dec, 2023

MVDepthNet: 实时多视角深度估计神经网络

本文提出 MVDepthNet，在多视图深度估计中编码多视图观察信息，并结合参考图像使用编码器 - 解码器网络生成深度图，并在单目密集映射系统中应用，实现了高效准确的深度图生成。

Jul, 2018

M${^2}$Depth: 自监督的双帧多摄像头度量深度估计

该研究论文提出了一种新颖的自监督双帧多摄像头度量深度估计网络 (M^2Depth)，旨在预测自动驾驶中可靠的具有尺度感知的周围深度。与以往使用单个时间步的多视图图像或单个相机的多个时间步图像不同，M^2Depth 采用多个相机的时间相邻的两帧图像作为输入，并生成高质量的周围深度。我们首先在空间和时间域中构造成本体积，并提出一个融合空间 - 时间信息的模块来生成强大的体积表示。我们还将 SAM 特征的神经先验与内部特征相结合，以减少前景和背景之间的模糊性并加强深度边缘。在 nuScenes 和 DDAD 基准测试上的大量实验证明，M^2Depth 实现了最先进的性能。更多结果可以在此 https URL 中找到。

May, 2024

不受范围限制的多视角深度估计及关键帧选择

本研究提出了一种名为 RAMDepth 的高效纯 2D 框架，用于多视角深度估计，无需先验知识或度量范围，且能提供关于预测视图质量的丰富见解。

Jan, 2024

通过自我监督辅助深度估计学习增强目标跟踪

RGB-D 跟踪大大提高了物体追踪的准确性，但其对真实深度输入的依赖性和多模态融合的复杂性限制了其在各种场景中的适用性。我们提出了一种名为 MDETrack 的新方法，通过受监督或自监督辅助单眼深度估计学习，训练一个具有理解场景深度能力的跟踪网络，将 MDETrack 统一特征提取器的输出分别输入到并行的跟踪头和辅助深度估计头中。请参考我们在多个数据集上使用各种训练策略评估了我们的模型，结果显示即使没有真实的深度数据，我们的模型在物体追踪准确度上有所提升，从这些发现中我们突出了深度估计在提高物体追踪性能方面的潜力。

May, 2024

UniDepth: 通用单目度量深度估计

通过提出的 UniDepth 模型，我们能够从单个图像中重建度量 3D 场景，并实现相机驱动的深度特征的不变性。

Mar, 2024

多视角几何与单视角深度概率融合的多视角深度估计

提出一种融合单视角深度概率和多视角几何的新型框架 MaGNet，以提高多视角深度估计的准确性、鲁棒性和效率，并在 ScanNet、7-Scenes 和 KITTI 数据集上实现了最先进的性能。通过深度一致性加权和概率采样来解决纹理不清晰、反射表面和移动物体等失败模式。

Dec, 2021

自主驾驶的单视图和多视图深度的自适应融合

本文提出了一个鲁棒性评估基准来评估在各种嘈杂的相机位姿设置下深度估计系统，同时提出了一个自适应融合深度估计系统，通过动态选择两个分支之间的高置信度区域进行融合，以实现鲁棒和准确的深度估计。该方法在鲁棒性测试中优于现有的多视图和融合方法，并在挑战性基准（KITTI 和 DDAD）上实现了最先进的性能，假设具有准确的位姿估计。

Mar, 2024