针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性损失中,并且联合视差图平滑性损失、图像重构损失、视差图一致性损失作为训练的总损失。实验结果表明,经过在KITTI数据集上的训练,该模型在KITTI和Make3D数据集上相比其他单目深度估计方法具有更高的准确性和实时性,基本满足无人机自主飞行对深度估计准确性和实时性的要求。

Monodepth2这是用于训练和测试深度估计模型的参考PyTorch实施，使用挖掘为自我监督的单眼深度预测ClémentGodard，Oisin Mac Aodha，Monodepth2中描述的方法，这是使用PyTorch的参考PyTorch实施，用于训练和测试深度估计模型挖掘到自我监督的单眼深度预测ClémentGodard，Oisin Mac Aodha，Michael Firman和Gabriel J.Brostow ICCV 2019中描述的方法 请参阅许可文件中的条款。 如果您发现我们的工作对您的研究有用，请考虑引用我们的论文：@article {monodepth2，title = {

迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集 该存储库包含用于从单个图像计算深度的代码。 它伴随我们的： 迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集RenéRanftl，Katrin Lasinger，David Hafner，Konrad Schindler，Vladlen Koltun MiDaS v2.1在10个数据集（ReDWeb，DIML，电影，MegaDepth，WSVD，TartanAir，HRWSI，ApolloScape，BlendedMVS，IRS）上进行了多目标优化训练。 在5个数据集（本文中的MIX 5 ）上训练过的原始模型可以在找到。 变更日志 [2020年11月]发布了MiDaS v2.1： 经过10个数据集训练的新模型，其度平均比高出 新的轻量级模型可在移动平台上实现。 适用于和示例应用程序 ，可在机器人上轻松部署 [2

在需要对三维环境感知的领域中，如机器人避障、自动驾驶、增强现实等，二维的图像信息很难满足需求，深度估计技术可以很好的提供场景的深度信息。

matlab数据输入代码

深度流（FDNet）视频深度估计 这是执行文件 通过融合流向深度提案来估计视频深度 嘉信谢，李Zhuwen，， 在IROS 2020中。 有关更多详细信息，请参见我们的论文（ ）。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.4.0和Numpy 1.16.2开发和测试的 KITTI特征分割的评估 如果要从KITTI RAW数据生成地线深度，请使用官方网站上提供的此下载KITTI数据集。 同时，我们还提供了GroundTruth Depth保存在npy文件中，可从下载 我们在KITTI Eigen上的最终结果可在 然后跑 python kitti_eval/eval_depth_general.py --kitti_dir=/path/to/raw/kitti/dataset/ or /path/to/downloaded/GoundTruth/n

Monodepth2网络结构/架构（流程图）

在研究深度估计算法时，需要用到的kitti数据集，但是通过官网一次一次点击太麻烦，为此提供了linux和python环境下 kitti raw data自动下载程序，供大家使用。

面向散焦图像的去模糊与深度估计研究,有需要的可以下载看看

利用二维图像来进行场景的深度估计是计算机视觉领域的经典问题之一,也是实现三维重建、场景感知的重要环节。近年来基于深度学习的单目图像深度估计发展迅速,各种新算法层出不穷。介绍了深度学习在这一领域的应用历程与研究进展,采用监督与无监督两类方式分别系统地分析了有代表性的算法与框架,综述了深度学习在单目图像深度估计领域的研究进展与变化趋势,总结了当前研究的缺陷与不足,展望了未来研究的热点。