无监督立体声匹配与表面正常辅助室内深度估计
Xiule Fan1, Ali Jahani Amiri2, Baris Fidan1
1Department of Mechanical and Mechatronics Engineering, University of Waterloo, 200 University Ave. W., Waterloo, ON N2L 3G1, Canada.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了一种用于立体匹配的新型深度学习方法,通过估计表面正常值来提高无纹理室内区域的深度准确性. 新方法提高了计算机视觉应用的立体匹配质量.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 基于学习的立体匹配算法对于使用立体摄像头进行深度估计至关重要.
- 这些算法经常与室内环境中常见的无纹理区域扎,限制了准确性.
- 准确的深度信息对于机器人和自主导航等应用至关重要.
研究的目的:
- 开发一个强大的立体匹配方案,克服无纹理地区的局限性.
- 为了提高室内场景的深度准确度和整体立体匹配质量.
- 在深度神经网络框架内利用表面正常估计.
主要方法:
- 设计了一个新的深度神经网络架构,结合了特征提取,正常估计和差异估计分支.
- 采用了两阶段的培训策略:用于特征提取和正常估计的监督培训,以及用于差异估计的无监督培训.
- 该网络明确使用表面正常估计来指导立体匹配过程.
主要成果:
- 拟议的方案准确地估计了表面的正常值,即使在具有挑战性的无纹理区域.
- 与现有方法相比,在差异估计准确度上观察到显著的改进.
- 在无纹理表面的室内应用中,提高了立体相匹配质量.
结论:
- 整合表面正常估计有效地解决了立体匹配中无纹理区域的挑战.
- 拟议的深度学习方法为复杂的室内环境中准确的深度感知提供了有希望的解决方案.
- 这种方法提升了立体视觉系统的功能,用于现实世界的应用.


