admin管理员组

文章数量:1602103

DevNet: Self-supervised Monocular Depth Learning via Density Volume Construction[1]

Background

  • 单目自监督深度估计依赖相邻帧2D像素光度关系
  • 没有利用3D点状几何对应关系
  • 不能有效地解决由于遮挡或照明不一致引起的光度翘曲的模糊性

Contributions

  • 设计了一种新的自监督深度学习框架DevNet，它通过预测场景中采样点的遮挡概率密度来绘制深度图。
  • 利用预测的密度体积提出了一种新的深度一致性损失，以确保相邻帧深度图之间的几何一致性，这可以进一步有助于性能的提高。
  • 引入了一种遮挡正则化方法来检测和减少由相机运动和动态物体引起的光度模糊。


[1]Zhou K, Hong L, Chen C, et al. DevNet: Self-supervised Monocular Depth Learning via Density Volume Construction[C]//European Conference on Computer Vision. Springer, Cham, 2022: 125-142.

本文标签： MonoculardepthDevNetsupervisedVolume

版权声明：本文标题：DevNet: Self-supervised Monocular Depth Learning via Density Volume Construction 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dongtai/1728396347a1157052.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。