论文阅读《Robust Monocular Depth Estimation under Challenging Conditions》

9月前作者：CV科研随想录分类：Toy博客阅读(40) 违法举报

这篇具有很好参考价值的文章主要介绍了论文阅读《Robust Monocular Depth Estimation under Challenging Conditions》。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

论文地址：https://arxiv.org/pdf/2308.09711.pdf
源码地址：https://github.com/md4all/md4all

概述

现有SOTA的单目估计方法在理想的环境下能得到满意的结果，而在一些极端光照与天气的情况下往往会失效。针对模型在极端条件下的表现不佳问题，文章提出一种用于解决这种安全问题的模型：md4all。该方法首先生成一组与正常样本对应的复杂样本，然后通过生成的样本来计算相应原始视图上的标准损失，引导其自监督或者全监督来训练模型，使得模型在不同条件下能够恢复原始的信息。在nuScenes 和 Oxford RobotCar 数据集上的结果表明该方法的有效性，在标准条件下和极端条件下的表现都超过了之前的工作。
论文阅读《Robust Monocular Depth Estimation under Challenging Conditions》,论文阅读,论文阅读

模型架构

论文阅读《Robust Monocular Depth Estimation under Challenging Conditions》,论文阅读,论文阅读

Self-Supervised Baseline

使用Monodepth2作为baseline模型，使用白天数据来进行蒸馏学习得到文章来源地址https://www.toymoban.com/news/detail-703873.html

到了这里，关于论文阅读《Robust Monocular Depth Estimation under Challenging Conditions》的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

最新！！单目深度估计方向文献综述--Monocular Depth Estimation: A Thorough Review

论文链接：https://ieeexplore.ieee.org/abstract/document/10313067 一个是考虑人类深度感知的机制，另一个是包括各种深度学习方法。这篇论文是关于单目深度估计（Monocular Depth Estimation）的全面综述，由Vasileios Arampatzakis等人撰写。单目深度估计是指从二维图像中恢复三维场景的深度信

2024年04月28日
浏览(102)
Monocular 3D Object Detection with Depth from Motion 论文学习

论文链接：Monocular 3D Object Detection with Depth from Motion 从单目输入感知 3D 目标对于自动驾驶非常重要，因为单目 3D 的成本要比多传感器的方案低许多。但单目方法很难取得令人满意的效果，因为单张图像并没有提供任何关于深度的信息，该方案实现起来非常困难。 Two view 场景

2024年02月17日
浏览(37)
MonoDTR Monocular 3D Object Detection with Depth-Aware Transformer 论文学习

论文链接：MonoDTR: Monocular 3D Object Detection with Depth-Aware Transformer 单目 3D 目标检测对于自动驾驶很重要，也很有挑战性。现有的一些方法通过深度预测网络得到深度信息，然后辅助 3D 检测，这造成计算量激增，不适合实际部署。此外，如果深度先验不准确的话，也会影响算法

2024年02月17日
浏览(39)
MonoDETR: Depth-guided Transformer for Monocular 3D Object Detection 论文解读

单目目标检测在自动驾驶领域，一直是一个具有挑战的任务。现在大部分的方式都是沿用基于卷积的2D 检测器，首先检测物体中心，后通过中心附近的特征去预测3D属性。但是仅仅通过局部的特征去预测3D特征是不高效的，且并没有考虑一些长距离的物体之间的深度关系，丢

2024年02月09日
浏览(41)
论文精读《CaDNN: Categorical Depth Distribution Network for Monocular 3D Object Detection》

研究动机：单目3D目标检测难以预测物体的深度单目 3D 目标检测是自动驾驶领域的一个关键问题，因为它与典型的多传感器系统相比配置比较简单。单目 3D 检测的主要挑战在于准确预测物体深度，由于缺乏直接的距离测量，因此必须从物体和场景线索推断出物体深度。许多

2023年04月22日
浏览(80)
【论文阅读】CubeSLAM: Monocular 3D Object SLAM

这一部分是论文中最难理解的一章，作者的主要想法，是利用2d图像来生成3d的目标包围框（bounding box），一方面这个思路本身就不是很好懂，另一方面，作者写这一章还是用的倒叙，显得更难理解了。 3d包围框的定义对于本文的3d包围框，需要使用九个量来定义，可以分为三

2024年02月07日
浏览(42)
论文阅读--Deep Learning-Based Channel Estimation

论文信息： Soltani M, Pourahmadi V, Mirzaei A, et al. Deep learning-based channel estimation[J]. IEEE Communications Letters, 2019, 23(4): 652-655. 创新点：信道时频响应建模为图像，将OFDM的时频特性视做一种2D图像信息。将导频位置的通道响应视为LR图像，并将估计的通道响应视为HR图像。利用基于深度

2024年02月01日
浏览(45)
Benchmarking Augmentation Methods for Learning Robust Navigation Agents 论文阅读

题目：Benchmarking Augmentation Methods for Learning Robust Navigation Agents: the Winning Entry of the 2021 iGibson Challenge 作者：Naoki Yokoyama, Qian Luo 来源：arXiv 时间：2022 深度强化学习和可扩展的真实感模拟的最新进展使得用于各种视觉任务（包括导航）的具体人工智能日益成熟。然而，虽然在

2024年02月14日
浏览(38)
Transformer & 立体视觉 & Depth Estimation

1. Intro 立体深度估计具有重要的意义，因为它能够重建三维信息。为此，在左右相机图像之间匹配相应的像素;对应像素位置的差异，即视差，可以用来推断深度并重建3D场景。最近基于深度学习的立体深度估计方法已经显示出有希望的结果，但仍然存在一些挑战。其中一个挑

2024年02月14日
浏览(35)
[论文阅读] BoT-SORT: Robust Associations Multi-Pedestrian Tracking

这篇文章是今年6月底发布的一篇多目标跟踪(MOT)的屠榜方法，命名为BoT-SORT。作者来自以色列的特拉维夫大学（Tel-Aviv University）。本文简单谈谈我对这个算法的理解，因为也是MOT领域的初学者，如有错误希望各位读者修正，也欢迎大家一起探讨。 PS：文章内部分图片是原创

2024年02月02日
浏览(38)