红外图像深度估计：融合2D与3D神经网络的帧间信息利用

本文主要探讨了一种基于帧间信息提取的单幅红外图像深度估计方法，针对红外图像在纹理信息和边缘信息上的不足，这些因素通常会导致深度估计的精度难以提升。传统的单幅红外图像深度估计方法往往忽视了连续帧之间的信息，这可能导致物体轮廓模糊或者丢失细节。 作者提出了一种创新的深度估计网络架构，该网络融合了二维（2D）残差神经网络和三维（3D）卷积神经网络。2D残差网络用于捕捉图像局部特征，而3D卷积网络则能够捕获帧间的时空信息，如稠密光流。通过将3D网络提取的视频特征与2D网络的特征图进行权值连接，这种方法有效地结合了空间和时间维度的信息，提高了深度估计的准确性。 与传统神经网络的全连接层不同，文中采用了全卷积层，这种结构能够处理任意大小的输入图像，避免了因图片尺寸变化导致的处理问题，从而使得算法更加灵活且适用于各种尺寸的红外图像。全卷积层的引入进一步提升了模型的性能，使得深度估计的结果更为精确，物体轮廓也更加清晰完整。 实验结果显示，本文的方法在红外图像深度估计方面表现出较高的精度，证明了帧间信息对于提高深度估计质量的重要性。这种方法对于红外图像处理领域，尤其是在军事、安防、机器人视觉等应用场景中，具有显著的实际价值。因此，这项工作不仅解决了红外图像深度估计中的挑战，也为相关领域的研究提供了新的思路和技术支撑。 关键词：图像处理、红外图像、深度估计、光流信息、残差神经网络、卷积神经网络。这些关键词突出了论文的核心内容，展示了研究的技术背景和贡献点。这篇文章深入探讨了如何利用多模态信息，尤其是帧间关系，来提升单幅红外图像深度估计的性能，对图像处理技术的发展具有重要的推动作用。