为了解决光场相机应用于三维测量时,在弱纹理区域和精细结构区域难以获得准确视差估计结果问题,提出了基于深度学习技术对光场深度估计进行建模,并建立了光场视差与真实深度之间的转换关系。将所提方法应用于多种复杂场景中,实验结果均表明:该方法可以准确获取弱纹理区域和精细结构区域的视差信息,较好地复原场景的三维结构,视差估计处理时间压缩到1s量级,相比传统的基于代价优化的方法,降低了1~2个数量级。

EndoSLAM数据集和内窥镜视频的无监督单眼视觉测程和深度估计方法 EndoSLAM数据集概述 我们介绍了一种内窥镜SLAM数据集，该数据集既包含前体数据又包含合成数据。 数据集的离体部分包括标准和胶囊内窥镜记录。 数据集分为35个子数据集。 具体而言，分别存在结肠，小肠和胃的18、5和12个子数据集。 据作者所知，这是已发布的第一个用于胶囊内窥镜SLAM任务的数据集，具有定时6 DoF姿态数据和高精度3D地图地面真相 使用了两种不同的胶囊和传统的内窥镜相机，具有高分辨率和低分辨率，从而产生了不同的相机规格和照明条件。 来自不同相机的图像具有相同器官的不同分辨率和每个相关器官的深度，是所提出数据集的进一步独特功能。 我们还提供了两种类型的无线内窥镜的图像和姿态值，它们在某些方面彼此不同，例如相机分辨率，帧频以及用于检测Z线，十二指肠乳头和出血的诊断结果。 一些子数据集在两个版本中包

Learning to Recover 3D Scene Shape from a Single Image论文研读、PPT展示、实践结果

图像处理《Boosting Monocular Depth Estimation Models to  High-Resolution via Content-Adaptive Multi-Resolution Merging》整篇论文的研读笔记，注解及见解，通过内容自适应多分辨率合并，提高单眼深度估计模型到高分辨率效果。

论文Unsupervised Learning of Depth and Ego-Motion from Video的预训练模型，深度评估

论文Unsupervised Learning of Depth and Ego-Motion from Video的预训练模型

深度估计综述个人总结

Packnet:单目深度估计与伪雷达点云

光场相机目前已广泛应用于消费领域和工业应用领域，利用光场相机对目标物进行深度重建成为了一项重要的研究课题。在实际研究过程中，Lytro相机空间信息与角度信息复用于同一传感器，导致图像分辨率较低，从而使得重建效果不甚理想。为解决这一问题，提出了一种亚像素精度的光场图像深度估计方法，在频率域对子孔径图像进行多标签下的亚像素偏移，以中心视角图像为参照，建立像素匹配代价行为；使用引导滤波抑制噪声的同时保持了图像边缘；对多标签下的匹配代价行为进行优化，得到精确的深度估计结果。对目标深度图进行表面渲染、纹理映射等重建处理，得到较为精细的重建结果。实验结果表明，该算法在对复杂度较高的物体进行重建时，解决了重建模糊等问题，有较好的表现。

利用双目相机采集到的左右两幅图片，采用BM立体匹配算法生成视差图和深度图。其中包括双目标定、双目校正、立体匹配、计算深度等步骤。 外加鼠标回调函数，可以获得视差图中每一点的坐标信息（在相机坐标系下的坐标），其中z代表深度值。 代码亲自验证有效，有详细注释，如有问题，随时博客联系我，我会一一解答。