目錄

• [1] Context Prior for Scene Segmentation
• [2] Deep Stereo using Adaptive Thin Volume Representation with Uncertainty Awareness
• [3] Bi3D: Stereo Depth Estimation via Binary Classification
• [4] SDC-Depth: Semantic Divide-and-Conquer Network for Monocular Depth Estimation
• [5] 3D Packing for Self-Supervised Monocular Depth Estimation

[1] Context Prior for Scene Segmentation

• context聚合方法有兩類：1.特征金字塔FCN，捕獲同類信息，忽略了不同類信息。2.注意力機制，有選擇地聚合信息，context信息混亂。
• 本文提出，金字塔池化模塊。

[2] Deep Stereo using Adaptive Thin Volume Representation with Uncertainty Awareness

• 多目匹配，深度估計
• 解決的是memory的問題（爆顯存啥的）
• 使用不確定估計，得到采樣范圍的大小。
• 分辨率低時，均勻采樣，指導后續高分辨率的操作。

[3] Bi3D: Stereo Depth Estimation via Binary Classification

• 領域核心問題：運算效率、高分辨率顯存爆炸
• 目前這個領域的精度很難提升
• 不確定的東西如何檢測（無紋理、透明區域）

[4] SDC-Depth: Semantic Divide-and-Conquer Network for Monocular Depth Estimation

• 單目深度估計
• 本文提出一個新的深度估計網絡，提出了Packing和Unpacking，解決了strding和pooling造成細節丟失的問題。
• 以前的方法沒有“絕對尺度”，本文添加了Velocity弱監督。
• 本文還提出了一個新的自動駕駛數據集。

[5] 3D Packing for Self-Supervised Monocular Depth Estimation

• 單目深度估計
• 兩步
• 對每個語義類別分別解碼，實例分割->語義分割
• 為什么引入語義分割的信息？
• 使用更多的信息，但是也帶來新的限制，其他model沒用這些信息，無法證明本文方法的有效性。

總結

以上是生活随笔為你收集整理的2020-07-03 CVPR2020 i3DV论文讨论（2） 笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。