一篇slam相关论文，结合了深度学习。用CNN单帧预测深度，可以解决单目slam中尺度不确定性、纯旋转、低纹理区域等问题。

nyu-depth-v2-tools：[2]中使用的工具，用于预处理地面真值分割以评估超像素算法

深入理解C#(c# in depth)第三版 源码 从C# in depth 网站上下载的

深度预测 使用深度残差网络进行深度预测。 @ iro-cp的原始代码和论文在这里找到： : @iapatil的此版本也为我提供了帮助，可在此处找到： : 写在PyTorch中。 要运行，请从下载预训练的numpy权重并将其保存在当前目录中。 然后，激活PyTorch环境并运行 python predict.py 输出将另存为output_image.png 。 我的文章详细介绍和实现可以在找到。

BlenderProc 用于真实感训练图像生成的程序化Blender管道。 查看我们的（我们会不时对其进行更新）和我们在RSS 2020上发布的关于sim2real传输的。 概述视频 BlenderProc还有一个完整的。 BlenderProc还有一个扩展的介绍视频，它涵盖了基础知识和一些背景故事，以及它们的开始方式。 可以在找到。 内容 一般 通常，一条管线的运行首先加载或构建3D场景，然后在该场景内设置一些相机位置，并为每个图像渲染不同类型的图像（rgb，距离，法线等）。 混合器管道由不同的模块组成，其中每个模块在描述的过程中执行一个步骤。 通过.yaml文件选择，订购和配置模块。 要运行Blender管道，只需调用主目录中的run.py脚本以及所需的配置文件和任何其他参数即可。 可以在相应的示例文件夹中找到示例性config.yaml 。 python run.py c

nvidia depth precision visualized, Reserved Z

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

StereoNet：在pytorch中对实时边缘感知深度预测模型进行指导的分层优化。 ECCV2018 ActiveStereoNet：主动立体声系统的端到端自我监督学习ECCV2018口语 如果您想就StereoNet与我交流，请随时与我联系。 我的电子邮件： 我的模型结果 现在，通过端到端训练，我的模型的速度可以在540 * 960 img上达到25 FPS，在场景流数据集上，最佳结果是1.87 EPE_all（使用16X多个模型），1.95 EPE_all（使用16X单个模型）。 以下是侧面输出和预测示例 火车例子 测试例 在titan xp gpu上超过100FPS KITTI20

焦点深度 离焦/散焦深度是从场景的两个或多个图像的集合中估计场景的 3D 表面的问题。 图像是通过改变相机参数（通常是焦点设置或图像平面轴向位置）获得的，并从相同的角度拍摄。 要求 要运行此代码，您需要安装一个包 。 它必须按照各自项目页面上的说明单独安装。 管道 1. 图像对齐：基于特征的对齐 [1, 2, 3] 将 RGB 图像 A 和 B 转换为灰度图像 A' 和 B' 检测SIFT特征 A' 和 B' 匹配 A' 和 B' 之间的特征 计算 A' 和 B' 之间的单应性 使用单应性将 A 与 B 对齐 对所有图像序列（焦点堆栈）重复 1)~5)。 2. 焦点测量的初始深度 [4, 5, 6, 7] Focus Measure 算子计算图像中的最佳聚焦点，即Focus Measure 被定义为用于局部评估像素锐度的量。 当以小景深拍摄图像时，远离相机的物体会失焦并被认为是模糊

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 。