重访双像素图像的视差：物理信息驱动的轻量深度估计
计算机视觉与模式识别
2024-11-08 v1 定量方法
摘要
在本研究中，我们提出了一种使用双像素（DP）图像的高性能视差（深度）估计方法，参数极少。传统的端到端深度学习方法参数众多，但未充分利用视差约束，这限制了其性能。因此，我们提出了一种基于补全网络的轻量视差估计方法，该方法明确约束视差并学习DP的物理和系统性视差特性。通过参数化建模DP特有的视差误差并在训练期间用于采样，网络获得了DP的独特特性并增强了鲁棒性。这种学习方式还允许我们在没有DP数据集的情况下使用通用的RGB-D数据集进行训练，而获取DP数据集是劳动密集型的。此外，我们提出了一种非学习式的精炼框架，通过适当精炼网络输出的置信图来高效处理固有的视差扩展误差。因此，所提出的方法在未使用DP数据集进行训练的情况下，将整体系统规模缩减为传统方法的1/5，同时取得了最先进的结果，从而证明了其有效性。代码和数据集可在我们的项目网站上获取。
引用
@article{arxiv.2411.04715,
title = {NeuroFly: A framework for whole-brain single neuron reconstruction},
author = {Rubin Zhao and Yang Liu and Shiqi Zhang and Zijian Yi and Yanyang Xiao and Fang Xu and Yi Yang and Pencheng Zhou},
journal= {arXiv preprint arXiv:2411.04715},
year = {2024}
}