包含的功能： 1. 车道线检测+车道线拟合； 2. 2D目标检测+目标跟踪； 3. 道路可行驶区域分割； 4. 目标深度估计； 5. 图像视野到BEV空间映射（Normal View -> Top View）； 6. 像平面到地平面映射（image plane -> ground plane in world coordinate system）

用matlab生成谐波代码根据未校准的单眼偏振图像进行线性深度估计 这是我们ECCV 2016论文“根据未校准的单眼偏振图像进行线性深度估计”的Matlab实现。 它还包括偏振图像分解（线性和非线性优化）的实现，两种从偏振形状比较的方法，简单的最小二乘表面积分方法（支持前景蒙版）和用于像素级镜面标记的基本方法。 注意：我正在清理代码并将其添加到存储库中。 我将继续更新已上传内容的列表。 到目前为止包含的内容： 比较方法 最小二乘积分器 极化图像分解 漫射偏振模型（偏振度到天顶角） 光源估算 极化高度 仍要添加： 镜面模型，镜面标签 边界先验（计算边界方位角和权重） 样本数据集 用于生成综合数据集和评估的代码 上传代码时，我将添加文档和演示脚本。 极化图像分解 您需要做的第一件事是将捕获的图像转换为3通道偏振图像。 执行此功能的是PolarisationImage.m。 输入为： images-3D数组，其中包含捕获的图像大小，这些图像的大小为cols by nimages angles-包含偏振器角度的长度为n的图像的矢量（我使用一个坐标系，其中偏振器角度是从向上的垂直轴测量的，如果从

Monodepth2 这是参考PyTorch实施，使用以下方法描述的方法来训练和测试深度估计模型 挖掘自我监督的单眼深度预测 ， ，和 此代码仅供非商业使用； 请参阅中的条款。 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 = {Digging into Self-Supervised Monocular Depth Prediction}, author = {Cl{\'{e}}ment Godard and Oisin {Mac Aodha} and

用于训练和测试深度估计模型的参考PyTorch实现

基于单目图像的人脸深度估计

由于水体对光的吸收和散射作用, 水下图像往往存在对比度低、细节模糊和颜色失真等问题, 为此提出一种基于场景深度估计和白平衡的水下图像复原方法。首先, 采用Sobel边缘检测和形态学闭运算将水下图像中与场景深度相关的块分离, 对RGB通道与场景深度的变化关系进行回归分析, 以得到场景深度图像并估计水下背景光; 其次, 对衰减严重的颜色通道取其逆通道, 以修正透射率估计; 然后, 通过逆求解水下光学成像模型来消除后向散射; 最后, 改进白平衡算法以更好地校正水下图像的颜色畸变, 得到复原后的水下图像。与典型的4种水下图像复原方法进行主客观评价比较, 实验结果表明, 该方法可以有效地提升低质量、低照度的水下图像的细节清晰度和色彩保真度, 恢复真实的视觉效果。

单图深度估计Learning Depth from Single Monocular Images Using Deep Convolutional Neural Fields-附件资源

多恩 更新 更新了整个代码库，并重新实现了一些层和损失函数，以使其运行速度更快并使用更少的内存。 该存储库仅包含 DORN 模型的核心代码。 整个代码将保存在。 介绍 这是的的 PyTorch 实现。 预训练模型 DORN 的 resnet 主干，在第一 conv 层有 3 个 conv，与原始 resnet 不同。 resnet骨干网的预训练模型可以从下载 。 数据集 纽约大学深度 V2 未实现。 基蒂 根据 ，我们应该远离 eigen split 并切换到 。 更多详细信息，请参阅 。

单幅二维图像进行三维重建一直是计算机视觉领域的难题，因为每一图像点都有无限多个场景点与之对应。故从光学成像的角度分析，单幅二维图像三维重建问题好像不存在较为通用的解决方案。然而反思人类自身视觉经验，仅用一只眼睛观察单幅二维图像，同样能感觉到栩栩如生的三维世界。而且完成这一过程是不需要任何意识努力，好像是全部自动进行的。这些表明人类视觉系统能轻松解决这个问题。人眼与照相机的光学成像机制几乎完全相同，故模拟人类视觉系统，计算机对单幅二维图像进行三维重建又是完全有可能的，这正是本章研究工作的基本思路与逻辑起点。

单眼深度估计 该存储库为NYU深度数据集V2提供了单眼深度估计的简单PyTorch Lightning实现。 依存关系 Docker 20.10.2 1.28.3 的Python 3.8.0 0.1.3 1.6.0 1.2.5 2.0.6 偏见0.10.25 有关其他库的版本，请参见 。 方法 细分模型+ *深度损失 *我们使用 。 骨干 类型 三角洲1 三角洲2 三角洲3 lg10 abs_rel 湄 微软 efficiencynet-b7 UnetPlusPlus 0.8381 0.9658 0.9914 0.0553 0.1295 0.3464 0.3307 efficiencynet-b7 FPN 0.8378 0.9662 0.9915 0.0561 0.1308 0.3523 0.3308 高效网-b4 U