- CVPR基于相机运动和物体检测的深度估计
本文通过设计一种循环神经网络(DBox)和引入 ODMD 数据集解决了物体深度估算问题,ODMD 基准测试包括 4 个验证和测试集,不仅在物体检测和机器人领域中取得了最先进的结果,而且可以使用手机相机估算物体的深度。
- ECCV从相机运动和视频对象分割学习物体深度
本论文致力于解决如何从摄像机测量的数据中,使用视频目标分割技术学习估计物体深度的问题,为此我们首先引入了一个多样化的,可扩展的数据集,其次设计了一种新颖的深度学习网络,该网络仅使用分割掩模和不合格的摄像机运动即可估计物体深度,我们的方法可以 - 基于 Flow-Motion 和深度网络的单目立体视觉及其应用
本研究提出了一种基于学习的单眼立体视觉方法,可扩展到多个目标帧的深度信息融合,具有优秀的精度和效率。
- 360° 视频深度和相机运动的自监督学习
本论文提出了一种新颖的自监督学习方法来从 360 度视频中预测全向深度和相机运动,通过转换图像类型,提出全视角光度一致性约束和相机姿态一致性误差等方法来提高视频运行速度,同时实现了比等面投影更快速的深度预测和相机运动估计。
- 基于移动相机的动态场景刚性学习与三维运动场估计
本文提出在监督学习的基础上通过学习场景的刚性结构,从两张图片中推断场景对于相机的运动以及产生的 3D 场景流结构,相比于其他 3D 场景流预测方法表现更佳,并提供了半合成动态场景数据集和评估拆分。
- CVPR大部分为刚体场景下的光流
文章提出了一种综合了静态和非约束场景下光流方法的算法,可以同时估计运动物体的分割和相机运动的 3D 结构,具有更高的精度。
- 直接稀疏里程计
提出了一种新的直接稀疏视觉里程计公式,将全直接概率模型(最小化光度误差)与所有模型参数(包括几何结构 - 在参考帧中表示为反深度 - 和相机运动)的一致联合优化相结合。
- 从非标定图像中恢复层次结构和运动
这篇论文介绍了一种名为 Samantha 的新型管线,采用层次化方法解决运动结构问题,可提高计算效率并实现真正可扩展性,同时在不依赖辅助信息的情况下处理图像,并通过实验验证方法的准确性和计算效率。
- 凸规划实现的鲁棒相机定位估计
本文提出了一种对于相机姿态和方向估计的新方法,结合了对偏差方向的强鲁棒性和凸优化技术,有效地从二维图像集合中恢复三维结构。