MSG-Net（多尺度指导网络） 多尺度制导网络 该存储库（ ）是MSG-Net的正式版本，适用于我们在ECCV16中进行的。 它带有四个训练有素的网络（x2，x4，x8和x16），一个带Kong的RGBD训练集和三个带Kong的RGBD测试集（A，B和C）。 据我们所知，MSG-Net是FIRST卷积神经网络，它尝试在多尺度引导下从相应的高分辨率RGB图像上对深度图像进行升采样。 还提供了MS-Net的另一个（无多尺度指导）。 有关更多详细信息，请访问。 许可和引文 该软件和相关的文档文件（以下简称“软件”），以及包括但不限于附图的研究论文（深度多尺度制导的深度图超分辨率）以及表格（以下简称“纸张”）均已提供给学术界仅用于研究目的，无任何担保。 任何商业用途都必须征得我的同意。 在您的工作中使用软件或论文的任何部分时，请引用以下论文 @InProceedings{hui16

正在开发中 这是tf Keras中实现的megadepth使用的Hourglass模型的python3版本。 python3 inference_mega_tensorflow.py 输入 输出 我们的输出

通过将深度图和灰度图，合成彩图，颜色表示深度，灰度显示原本的图案。详情介绍链接：https://blog.csdn.net/baidu_41749280/article/details/122508228

# CNN 深度图人脸_边框回归 ------------------------------------------------------- # 第1步： 制作数据集， data_x ， 354*100*100*1， data_y ， 354*4 # tricks: 深度图数值归一化[0,1]，边框值归一化[0,1]，resize(100, 100) # 第2步： 训练CNN，边框回归, IOU损失 # 第3步： 预测数据集 _ bounding-box # 第4步： 保存模型h5，图片提取特征 depth_feature，CNN回归坐标 box_regression

用于CaDDN代码调试运行，只有300张深度图数据

基于边缘检测的3D-HEVC深度图运动估计算法

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。

基于双目视觉的深度计算和三维重建，代码我自己用过，绝对没问题

QT完整项目示例， 目标：Kinect+QT+openCV 读取Kinect彩图、深度图 环境QT5.11.2 MINGW编译器 openCV3.2 KinectV2

介绍深度图与视差图之间的转换关系