qq_40600539的博客

DDAD是一个自动驾驶数据集，有6个摄像头的RGB数据、lidar点云数据，以及相应的Pose、内参、外参、2d 3d box标注、2d semantic标注。DDAD数据集：GitHub - TRI-ML/DDAD: Dense Depth for Autonomous Driving (DDAD) dataset.DDAD数据集调用demo: https://github.com/TRI-ML/DDAD/blob/master/notebooks/DDAD.ipynb调用DDAD数.

这是一篇有监督深度估计的文章。在2018年Kitti排行榜上Rank1参考code (pytorch):https://github.com/dontLoveBugs/DORN_pytorch/本文做出两方面的贡献：将深度估计这个回归问题转化为多个离散的二分类问题。 使用ASPP网络融合多尺度信息一、Spacing-Increasing Discretization作者认为，在单目深度估计时，深度越远处，信息量会越少，因此深度大的地方，预测的误差变大的容忍度是比较高的。这可以通过..

ECCV2020提出问题1、目前的自监督深度估计大多采用光度误差作为约束方式，当存在低纹理区域时，由于在低纹理区域，即使深度图和位姿矩阵估计得不好，算出来的光度误差也会小，因此，光度误差在此时容易陷入局部最小。Contribtion1、提出Feature-metric loss，优化深度估计网络和位姿估计网络。2、采用FeatureNet, 优化输入深度估计网络的特征。结合正则化损失，优化低纹理区域和局部最小区域。Related W...

ICCV 2019 [paper] [code]Overview本文介绍一种自监督的深度估计方法Monodepth2。太长不看版：1、提出minmum loss在解决multi-view时存在的遮挡问题，指出应该取multi-view中的最小的光度误差，而不是对误差取平均，这是因为当合成图像某处存在遮挡时候，会造成合成图像产生较大的光度误差，而影响模型训练。2、提出一种multi-scale采样的方法，对low-level的深度图，采用先upsample到原图大小再进行变换的方法，这样.

MonoIndoor: Towards Good Practice of Self-Supervised Monocular Depth Estimation for Indoor EnvironmentsICCV 2021Paper:https://arxiv.org/pdf/2107.12429.pdf