ECCV 2022 | 深度图分解用于单目深度估计！论文速递2022.10.3！

整理：AI算法与图像处理

CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo

ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo

最新成果demo展示：

标题：

Depth Map Decomposition for Monocular Depth Estimation

论文：https://arxiv.org/abs/2208.10762

摘要：

我们提出了一种新的单目深度估计算法，该算法将度量深度图分解为归一化深度图和尺度特征。该网络由一个共享编码器和三个解码器组成，分别称为G-Net、N-Net和M-Net，它们分别估计梯度图、归一化深度图和度量深度图。M-Net学习使用G-Net和N-Net提取的相对深度特征更准确地估计度量深度。该算法的优点是可以使用没有度量深度标签的数据集来提高度量深度估计的性能。在各种数据集上的实验结果表明，所提出的算法不仅为最先进的算法提供了具有竞争力的性能，而且即使只有少量度量深度数据可用于训练，也能获得可接受的结果。

最新论文整理

ECCV2022

Updated on : 3 Oct 2022

total number : 3

ExtrudeNet: Unsupervised Inverse Sketch-and-Extrude for Shape Parsing

• 论文/Paper: http://arxiv.org/pdf/2209.15632
• 代码/Code: https://github.com/kimren227/extrudenet

Semi-Supervised Single-View 3D Reconstruction via Prototype Shape Priors

• 论文/Paper: http://arxiv.org/pdf/2209.15383
• 代码/Code: None

INT: Towards Infinite-frames 3D Detection with An Efficient Framework

• 论文/Paper: http://arxiv.org/pdf/2209.15215
• 代码/Code: None

CVPR2022

NeurIPS

Updated on : 3 Oct 2022

total number : 3

Improving 3D-aware Image Synthesis with A Geometry-aware Discriminator

• 论文/Paper: http://arxiv.org/pdf/2209.15637
• 代码/Code: None

Your Out-of-Distribution Detection Method is Not Robust!

• 论文/Paper: http://arxiv.org/pdf/2209.15246
• 代码/Code: https://github.com/rohban-lab/atd

S2P: State-conditioned Image Synthesis for Data Augmentation in Offline Reinforcement Learning

• 论文/Paper: http://arxiv.org/pdf/2209.15256
• 代码/Code: None