NDDepth:正常距离辅助单眼深度估计和完成
概括
这项研究引入了新的深度学习框架,用于单眼深度估计和完成使用物理驱动的,片式平面场景假设. 该方法估计了表面的正常值和距离,优于对基准数据集的现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 3D场景理解 3D场景理解
背景情况:
- 单眼深度估计和完成是具有广泛应用的关键计算机视觉任务.
- 现有的方法往往直接估计深度,这可能是稀疏或不完整的数据具有挑战性.
研究的目的:
- 开发新的深度学习框架,用于单眼深度估计和完成.
- 为了利用物理 (几何) 驱动的原则,假设3D场景由碎片般的平面组成.
主要方法:
- 提出了一个框架,估计表面正常和平面到原点距离地图作为中间表示.
- 开发了一个正常距离的头部,用于像素级输出,以及用于调整的平面意识一致性约束.
- 整合了一个额外的深度头来增强强性,并将中间输出转换为深度图.
主要成果:
- 与最先进的竞争对手相比,提出的方法显示出更高的性能.
- 在广泛认可的数据集上进行了实验:NYU-Depth-v2,KITTI和SUN RGB-D.
- 这种以物理为导向的方法在深度估计和完成任务方面都被证明是有效的.
结论:
- 新的深度学习框架为单眼深度估计和完成提供了强大而高性能的解决方案.
- 假设零件式平面场景和使用中间表面正常和距离地图是该方法成功的关键.
- 这项工作推进了从单眼图像理解3D场景的领域.


