Auto-Actualización de la profundidad consciente de distorsión para auto-supervisado Fisheye monocular estimación de...

Área de la Ciencia:

• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• Robótica y Robótica Robótica y Robótica Robótica Robótica Robótica Robótica Robótica Robótica
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• Las cámaras de ojo de pez ofrecen un amplio campo de visión, crucial para aplicaciones como la conducción autónoma.
• Los métodos de estimación de profundidad monoculares auto-supervisados existentes luchan con las distorsiones de la imagen de ojo de pez.
• La percepción precisa de la profundidad es vital para la comprensión de la escena y la navegación.

Objetivo del estudio:

• Desarrollar un método de estimación de profundidad monocular auto-supervisado robusto para cámaras de ojo de pez.
• Para superar las limitaciones planteadas por las severas distorsiones de imagen en las lentes de ojo de pez.
• Para mejorar la precisión de la estimación de la profundidad en escenarios difíciles de imágenes de gran angular.

Principales métodos:

• DDS-Net propuesto (red de auto-actualización de profundidad consciente de distorsión) que utiliza una estrategia de aprendizaje de grueso a fino.
• Se introdujo un módulo de construcción de volumen de costo fisheye consciente de distorsión para una coincidencia precisa de características.
• Implementado un módulo de auto-actualización de profundidad para el refinamiento iterativo de mapas de profundidad.

Principales resultados:

• DDS-Net tiene un rendimiento significativamente superior a 14 métodos de última generación en tres conjuntos de datos fisheye.
• El volumen de costos consciente de distorsión captura efectivamente señales de profundidad a nivel de píxeles a pesar de las severas distorsiones.
• La actualización iterativa del mapa de profundidad mejora la precisión de la estimación.

Conclusiones:

• DDS-Net proporciona un avance significativo en la auto-supervisada estimación de profundidad monocular ojo de pez.
• Los módulos propuestos mitigan efectivamente los problemas de distorsión inherentes a las imágenes de ojo de pez.
• Este método ofrece una solución más confiable para la percepción de profundidad con cámaras de gran angular.