通过聚类学习像素级连续深度表示以用于深度完整
原文中文,约500字,阅读约需1分钟。发表于: 。深度完整性的一个长期挑战是计算机视觉领域中的一个难题。近年来,基于分类的方法取得了巨大的进展。然而,大多数现有的基于分类的方法依赖于预定义的像素共享和离散深度值作为深度类别。本文从聚类的角度重新思考深度完整性,并提出了一种名为 CluDe 的新型基于聚类的框架,它专注于学习像素级和连续深度表示。CluDe 的关键思想是利用像素值的聚类来学习一组深度中心作为深度表示。然后,CluDe...
CluDe是一个新型的基于聚类的框架,用于解决计算机视觉中的深度完整性问题。它通过像素值的聚类学习深度中心,并通过估计偏移量动态调整深度分布,生成像素级和连续深度表示。实验结果表明,CluDe成功地降低了对象边界处的深度模糊,并在VOID和KITTI数据集上取得了优于基于分类的方法的性能。