新的 MRAC 方法通过离群值鲁棒锚点改进单目深度估计

研究人员开发了一种名为多路径鲁棒锚点校准 (MRAC) 的新方法，以提高单目深度估计的准确性。现有方法在用于提供绝对尺度的稀疏度量锚点被离群值破坏时会遇到困难。MRAC 作为一种推理时包装器，通过检查锚点与基础模型的相对深度预测的一致性来过滤这些不可靠的锚点。这种方法不需要额外的学习参数，并且可以显著减少错误，尤其是在锚点数据不正确的情况下。 AI

影响 增强了计算机视觉中深度估计的鲁棒性，这对于自主系统和机器人技术至关重要。

排序理由 关于计算机视觉新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• Frozen Foundations
• K-Agnostic Robust Calibration
• KITTI
• median-absolute-deviation test
• Monocular depth foundations
• Multipath Blind Spot
• Multipath-Robust Anchor Calibration
• Sparse-Anchor Metric Depth
• Theil-Sen fit
• VI-Depth

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →