—— 在此输入论文题目 ——
研究现状
目前,基于深度学习的深度估计方法主要分为四大类:
1. 监督式深度估计
监督式深度估计使用大量的原始图像和对应的深度真值端到端训练网络,不需要
手工标注特征,直接学习图像到深度的映射关系。 Eigen
[1]
等人提出了一种多尺度网络,
更好的结合全局和局部信息,得到高质量深度图。 Li 等人
[2]
提出了一种使用深度梯度
优化深度图的方法,训练两个卷积神经网络联合预测深度和深度梯度,然后将二者融合
起来,提升深度图的准确率。
2. 无监督式深度估计
无监督式深度估计为了避免对于数据的依赖,使用其它的信息监督网络训练。 Garg
等人
[3]
通过训练 CNN 网络预测左视图的深度图,然后通过左视图的深度图和右视图之
间的角度关系重构出左视图,通过重建误差使重构出的图像和原图像相似,起到监督信
号的作用。 Zhou 等人
[4]
提出了一种基于视频序列的无监督方法。训练 CNN 网络预测
当前帧的深度结合相机位姿信息重构出相邻帧。
[1] Eigen D, Puhrsch C and Fergus R. Depth map prediction from a single image using a multi-scale deep network[C].Neural Information Processing Systems, 2014:2366–2374.
[2] Li J, Klein R, Yao A. A two-streamed network for estimating fine-scaled depth maps from single RGB images[C].International Conference on Computer Vision, Santiago, 2017: 22-29.
[3] Garg R, Bg V K, Carneiro G, et al .Unsupervised CNN for single view depth estimation: Geometry to the rescue. European Conference on Computer Vision, 2016:740–756.
[4] Zhou T, Brown M, Snavely N, et al. Unsupervised learning of depth and ego-motion from video[C].Computer Vision and Pattern Recognition. 2017: 1851-1858.