- F^2Depth: 自监督室内单目深度估计基于光流一致性和特征图合成
提出了一种自监督室内单目深度估计框架 F^2Depth,利用自监督光流估计网络对深度学习进行监督,结合经过精调的光流估计网络产生的多尺度特征图进行特征图融合损失计算,实验结果表明该框架及其提出的损失函数具有较好的室内场景单目图像泛化能力。
- 用闭式色彩估计方法减少辐射场中的形状 - 辐射模糊
该论文提出了一种更适应性的方法来减少神经辐射场中的形状 - 辐射模糊问题。关键在于只基于密度场进行渲染的方法,通过估计基于密度场和姿态图像的颜色场并应用于规范化神经辐射场的密度场,从而改善了神经辐射场的密度场质量和数量。
- 深入自监督单目室内深度估计
室内深度自动估计的自我监督学习是困难的,挑战主要集中在大面积低纹理区域和复杂的内部训练数据上。本文提出了一种名为 IndoorDepth 的新方法,包括两个创新点:首先,我们提出了一种改进的结构相似(SSIM)功能的新颖光度损失函数,用于应 - 自适应频率自监督单目深度估计
提出了两种通用方法来增强自监督单目深度估计模型的普适性,分别是模糊边界和自适应高斯滤波器。实验证明这两个模块能为现有模型带来性能提升而不增加额外计算量。
- 基于等距自采样学习的自监督深度估计
本文提出了一种等距自采样学习(ISSL)方法,通过产生符合静态场景假设的自动生成图像来提供附加监督,解决自我监督深度估计中的动态区域处理问题,实验表明将我们的 ISSL 模块插入到几个现有模型中都能够显著提高性能。
- CVPR半监督深度特征重建视差估计
通过联合使用带标签的合成数据和无标签的实际数据的有监督训练和自监督训练,提出了半监督的流水线,成功地将 DispNet 适应到实际环境中,并分析了深层特征重建对视差估计的影响。
- ECCV自监督深度和自身运动学习的特征度量损失
本文提出了一种基于特征度量的损失函数作为自监督深度和自我运动估计的代替方法, 借助于特征表示,结合一阶和二阶正则化方法,对损失最小化求解提供更好的收敛性能和稳定性,实验结果显示此方法优于现有的自监督方法和视觉里程计方法。
- ECCV无监督光流中的关键因素
本研究通过分析光流的关键组件如光度损失、遮挡处理和光流平滑正则化,提出了多种类似代价体积规范化、在遮挡掩模处停止梯度、在上采样光流场之前鼓励平滑等方法的优化,结合改进后的组件提出了一种新型的无监督光流技术,该技术不仅在 KITTI 2015 - 基于自监督学习的详细 3D 人脸重建
本文提出了一种基于 end-to-end learning 的学习框架,可用于从单个图像中详细地三维重建人脸,不需要传统方法计算的替代地面真值 3D 模型的监督,而是利用输入图像本身作为监督。