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

SfM学习者 该代码库实现了本文所述的系统： 通过视频无监督地学习深度和自我运动 ，，， 在CVPR 2017（口头）中。 有关更多详细信息，请参见。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.0，CUDA 8.0和Ubuntu 16.04开发和测试的。 运行单视图深度演示 我们提供了用于运行我们的单视图深度预测模型的演示代码。 首先，通过运行以下命令下载预训练的模型 bash ./models/download_depth_model.sh 然后，您可以使用提供的ipython-notebook demo.ipynb来运行演示。 准备训练数据 为

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。

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。

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 。