科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对实际场景中动态物体、场景纹理、相机曝光等诸多影响，深度图提取结果广泛存在细节模糊和丢失等问题，同时因基于深度学习的网络没有传统算法中的捆集优化策略，无法对相机累积的误差进行分摊，这些都影响着深度图的精度.因此本文提出一种融合空洞卷积的DispNet深度网络，同时加入误差分摊策略给网络更强的约束条件.在DispNet的结构设计中，模型中加入空洞卷积设计新的卷积模块，使其扩大感受野，更多的提取上下文信息；模型中引入误差分摊损失函数减少相机误差的累积，以此提高相机位姿估计精度，得到高质量的重建视图；视频帧输入网络前先进行限制对比度直方图均衡化运算再输入模型.本研究在公开数据集KITTI上设计了实验，结果表明空洞卷积和误差分摊损失函数的引入对深度图恢复精度有明显的提升效果.
- 单位
