把效果图放在前面 03.28 handle_motion  False architecture    simple joint_encoder  False depth_normalization  True compute_minimum_loss  True 从头训练,没有任何数据增强 =============================== 2019年3月22日13:20:38 论文名: Depth Prediction Without the Sensors: Leveragin

2019年3月2日09:29:54 正在看SfMLearner的pytorch源码,意识到无监督的深度估计最重要的是利用实体的一致性 来建立loss. 对于一个不移动的物体,相机从一个pose到另一个pose,那个东西一直在那,可以通过 三维结构.光照 等不会突变来建立loss. 对于移动的刚性物体,比如汽车,可以先检测出来,再做一致性的约束. 对于移动的非刚性物体,比如人啊.狗啊之类的,还需要另外的模型来描述.我记得是有 不少这方面的优秀的工作的. 可以做的比 生成一个检测运动区域的mask

https://blog.csdn.net/dy_guox/article/details/79111949 luo@luo-All-Series:~$ luo@luo-All-Series:~$ source activate t20190518(t20190518) luo@luo-All-Series:~$ (t20190518) luo@luo-All-Series:~$ (t20190518) luo@luo-All-Series:~$ (t20190518) luo@luo-All-

2019年7月17日11:37:05 论文 Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unknown Cameras 主要有几个亮点: 1,处理移动物体时 instance segmentation and tracking are not required,不需要实例分割, 虽然文章里说还是需要一个网络预测可能移动的区域,但比起需要实例分割,难度还是下降了点. 2,occlusion-aw