从真实世界飞行时间原始数据联合估计深度与法线
计算机视觉与模式识别
2021-08-10 v1 机器学习
机器人学
摘要
我们提出了一种用于飞行时间(ToF)传感器的深度与法线联合估计的新方法。我们的模型学习从ToF原始传感器数据联合预测高质量深度图与法线图。为此,我们精心构建了首个大规模数据集(命名为ToF-100),其包含成对的ToF原始数据以及由工业级深度相机提供的高分辨率真实深度图。此外,我们还设计了一个简洁而有效的深度与法线联合估计框架,通过抖动施加鲁棒的Chamfer损失以提升模型性能。我们的实验表明,所提方法能够高效重建高分辨率深度图与法线图,并显著优于当前最先进的方法。我们的代码与数据将发布于\url{https://github.com/hkustVisionRr/JointlyDepthNormalEstimation}。
引用
@article{arxiv.2108.03649,
title = {Joint Depth and Normal Estimation from Real-world Time-of-flight Raw Data},
author = {Rongrong Gao and Na Fan and Changlin Li and Wentao Liu and Qifeng Chen},
journal= {arXiv preprint arXiv:2108.03649},
year = {2021}
}
备注
IROS 2021