基于多模态深度神经网络的深度恢复
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 本文工作和贡献 | 第11-12页 |
| 1.3 本章小结 | 第12-13页 |
| 2 相关工作概览 | 第13-27页 |
| 2.1 现有的深度恢复工作 | 第13-16页 |
| 2.1.1 基于传统视觉方法的深度恢复 | 第13-15页 |
| 2.1.2 基于卷积神经网络的深度预测 | 第15-16页 |
| 2.2 深度学习与深度神经网络 | 第16-18页 |
| 2.3 生成对抗网络及其应用场景 | 第18-19页 |
| 2.4 大型RGB-深度数据集 | 第19-26页 |
| 2.4.1 NYU-Depth-v2数据集 | 第19-22页 |
| 2.4.2 KITTI深度预测数据集 | 第22-24页 |
| 2.4.3 TUM RGB-D数据集 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于生成对抗网络的多模态深度恢复 | 第27-41页 |
| 3.1 问题重述 | 第27-28页 |
| 3.2 多模态深度恢复网络MM-Net概览 | 第28-29页 |
| 3.3 深度初始化估计部分网络结构 | 第29-30页 |
| 3.4 深度求精部分网络结构 | 第30-38页 |
| 3.4.1 条件生成对抗网络设计 | 第31-35页 |
| 3.4.2 尺度残差学习 | 第35-37页 |
| 3.4.3 稀疏深度采样 | 第37-38页 |
| 3.5 损失函数 | 第38-39页 |
| 3.6 本章小结 | 第39-41页 |
| 4 有效性验证和实验分析 | 第41-55页 |
| 4.1 实验数据集准备 | 第41-42页 |
| 4.1.1 NYU-Depth-v2数据集 | 第41-42页 |
| 4.1.2 KITTI深度预测数据集 | 第42页 |
| 4.1.3 TUM RGB-D测试数据集 | 第42页 |
| 4.2 实验细节及配置 | 第42-43页 |
| 4.3 模型剪枝实验和有效性验证 | 第43-45页 |
| 4.3.1 平滑项有效性验证 | 第43-44页 |
| 4.3.2 对抗损失项有效性验证 | 第44-45页 |
| 4.3.3 不使用稀疏判别网络 | 第45页 |
| 4.3.4 不使用残差求精 | 第45页 |
| 4.4 与其他相关工作的实验对比 | 第45-49页 |
| 4.5 与传统立体匹配方法的结合实验 | 第49-50页 |
| 4.6 在激光雷达数据补全上的应用 | 第50-51页 |
| 4.7 应用于三维重建系统 | 第51-54页 |
| 4.8 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
