基于二维图像和三维几何约束神经网络的单目室内深度估计方法

提出了编码器到解码器结构的深度卷积神经网络,并基于二维层面和三维层面共同约束网络从单目图像中学习深度。在二维图像层面,为了均衡网络提取到的浅层细节特征和深层语义特征,引入通道注意力机制,在相同尺度上为编码器特征与解码器特征添加权重连接;为了得到边缘细节信息更丰富的深度图,构建了尺度不变损失和基于图像金字塔的多尺度边缘损失。在三维几何层面,为了提高点云之间的几何一致性,基于空间中坐标点的局部和全局几何关系,构建了深度的全局几何约束损失和局部几何约束损失。在NYU Depth-v2数据集上将所提方法的结果与其他方法进行定量定性比较。结果表明本文方法可以估计出准确度和细节上表现更好的室内场景深度,实现了更为准确和平滑的单张图像三维重建效果。

基于平面系数表示的自适应深度分布单目深度估计方法

提出了一种针对室内场景的轻量化端到端单目深度估计神经网络。首先设计了新型自适应深度分布估计模块,可针对不同输入图像估计差异化的深度范围,使得网络更好地预测室内物体的相对位置关系,恢复出的深度图像能获得更接近真实值的像素分布。其次,在深度估计的过程中,通过基于平面系数的深度间接表示形式加入平面隐式约束,可以在场景的平面区域得到更平滑的深度估计结果。在NYU Depth-v2数据集上的多项实验结果表明,提出方法能满足较高分辨率下的实时性要求,同时能以更少的参数恢复出质量更高、更完整的室内深度图像,有助于实现更加准确的三维重建效果。