dy_happy的博客

摘要： 这篇论文就是通过特征度量的BA来解决sfm的问题，并且整个过程都是可微的，因此可以进行端到端的训练。我认为有几个亮点吧： （1）几何优化的问题使用了特征度量的BA，一改之前的位置BA和光BA,可以涉及更多的像素进行优化 （2）将sfm可微化，主要是使用MLP去预测阻尼系数 （3）产生基础深度图，最终的深度图是这些基础的线性表示，参数同相机的位姿一样可以进行优化，就是说直接估计每一个像素的深度是很耗费的，用网络训练出基础的深度图，然后从这些基础的深度图中去组合形成最终的深度图，是节约了搜...

使用可微分的sfm求得视频中的深度 0 摘要： 说的是讲深度学习和图像的几何原理结合起来进行端到端的学习，分为两个阶段：运动估计和深度估计 1 介绍： 就是说从视频中求得深度图，传统的的方法是使用sfm,来求优化求得3D结构和相机的运动，然后将相机的参数放在多视图几何来获得完整的深度。深度学习也在3D重建中效果比较好，他们有些优点吧，可以从单个图片中直接学得深度，而且网络块是可闻分的，可以从数据直接学习。但是一般网络直接从多视图几何图像中来训练时困难的（比如帧之间的联系），所以说将多视图几何的知识嵌

这篇论文大体看下来，感觉加了个LSTM，这样可以使视频在每一帧有时空上的连续性。 0 摘要： 就是说像自动驾驶之类的需要连续的更新深度信息，但是目前得到的深度都是独立帧的，视频的帧与帧之间是相互独立的，我们的方法主要的是产生一个让视频帧之间有联系的，即基于时间的一系列的深度图。并且，我们把三种估计深的方法形成一个常规的框架，然后我们把这些框架和卷积LSTM结合起来这样就可以产生具有时空结构的深...

0摘要： 本文提出了一种用于密集重构，估计所有像素上的一个几何一致性的深度的算法，用的图片是单目视频。我们利用传统的sfm重构去再每个像素上构建几何约束。不像经典的重构方法，我们使用了一个基于学习的方法，使用卷积神经网络来估计单张图片的深度。在测试阶段，我们微调该网络去满足对于特定的输入视频的几何约束，并且保持他预测深度的能力。我们展示了我们的方法比其他的更加精度高一级很高程度上几何性的稳定。...