E2LNet:一个高效和有效的轻量级网络,用于全景深度估计
Jiayue Xu1, Jianping Zhao1, Hua Li1
1School of Computer Science and Technology, Changchun University of Science and Technology, Changchun 130022, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
本研究引入了单眼全景深度估计的新框架,解决了扭曲和全球背景问题. 该方法以较少的参数实现了竞争性性能,为移动增强现实提供了可扩展的解决方案.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 单眼全景深度估计对于机器人和自动驾驶至关重要,它可以实现全视野.
- 现有的方法在全球上下文捕捉和全景扭曲方面扎.
- 在整个全景中精确的深度感知对于现实应用至关重要.
研究的目的:
- 开发一种用于单眼全景深度估计的新型框架.
- 为了同时解决全景扭曲和提取全球上下文信息.
- 为了提高全景深度估计的性能和可扩展性.
主要方法:
- 提出了适应性注意力扩展卷积模块,通过适应性调整受感场来感知扭曲.
- 设计了一个全球场景理解模块,将全球背景集成到功能地图中.
- 在虚拟和现实世界RGB-D全景数据集上训练和评估模型.
主要成果:
- 与现有技术相比,拟议的方法实现了具有竞争力的定量和质量性能.
- 证明了对全球背景的扭曲和整合的有效感知.
- 该模型显示的参数较少,并且比以前的方法更具灵活性.
结论:
- 开发的框架为单眼全景深度估计提供了强大的解决方案.
- 该方法是一种可扩展和灵活的选择,用于移动增强现实等应用程序.
- 解决了全景深度估计的关键挑战,增强了其实际实用性.


