LapUNet:使用动态拉普拉西亚残余U形网络对单眼深度估计的一种新方法
Yanhui Xi1,2, Sai Li3,4, Zhikang Xu3,4
1School of Electrical and Information Engineering, Changsha University of Science and Technology, Changsha, 410114, Hunan, China. xiyanhui@126.com.
Scientific reports
|October 9, 2024
概括
拉普尼特通过引入一种新的动态拉普拉西亚残余U形模块来增强单眼深度估计. 这种方法提高了深度地图细节和边缘清晰度,在基准数据集上表现优于现有的模型.
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.
背景情况:
- 单眼深度估计是至关重要的,但具有挑战性.
- 现有的编码器解码器模型由于简单的上采样而难以获得细节和边缘清晰度.
研究的目的:
- 推出LapUNet,一个用于改进单眼深度估计的新型网络.
- 为了解决捕捉结构细节和尖端现有方法的局限性.
主要方法:
- 拟议的LapUNet使用了一个ResNeXt101编码器和一个解码器与一个新的动态Laplacian残余U形 (DLRU) 模块.
- 在上采样过程中,DLRU模块将动态拉普拉斯余量融合起来,以提高高频特征.
- 加入了Atrous空间金字塔聚合 (ASPP) 和深度地图融合模块,以实现多层次的背景和特征集成.
主要成果:
- 与之前的方法相比,LapUNet在KITTI和NYU Depth V2数据集上表现出更高的性能.
- 该模型在性能和适度的模型尺寸之间实现了良好的平衡.
结论:
- 拟议的LapUNet通过增强结构细节和边缘清晰度,有效地改善单眼深度估计.
- 该方法的有效性通过3D重建和目标测距应用得到验证.


