//再不认真就输了!
//致力于发现AIGC动态与教程。

谷歌Google刚刚发布环境深度估计模型Diffusion for Metric Depth,可零样本收集室外室内数据集

一种名为DMD(Diffusion for Metric Depth)的零射击公制深度估计模型。该模型通过创新性地使用对数尺度深度参数化来联合建模室内和室外场景,以处理深度尺度的模糊性。同时,该模型通过调节视场(FOV)并在训练过程中综合增强FOV,以应对不同相机内在特性的挑战。研究结果表明,该方法相对于现有技术,在室内和室外场景的零射击度量深度估计上,相对误差(REL)分别降低了25%和33%。此外,他们还介绍了DMD模型的方法和结果。DMD模型是一种在零射击条件下进行公制深度估计的先进扩散模型,具有较高的性能和广泛的应用前景。

作用:
联合室内-室外建模:以对数尺度参数化深度,以更公平地分配室内和室外场景之间的表示能力。
处理不同的相机内在特征:为了避免过度拟合训练相机内在特征,建议通过裁剪和取消裁剪来增强训练数据以模拟不同的视场(FOV)
多样化的训练数据:使用多样化的微调混合物,与单独在 NYU 和 KITTI 数据集上进行微调相比,它显着提高了性能。
推理延迟:使用扩散的参数化,这样可以在推理过程中使用少至 1 个去噪步骤

DMD项目论文链接:
https://arxiv.org/abs/2312.13252

DMD项目展示地址:
https://diffusion-vision.github.io/dmd/

AIGC专区
https://heehel.com/category/aigc

https://heehel.com/aigc/videopoet.html

版权声明:本文采用知识共享 署名4.0国际许可协议 [BY-NC-SA] 进行授权
文章名称:《谷歌Google刚刚发布环境深度估计模型Diffusion for Metric Depth,可零样本收集室外室内数据集》
文章链接:https://heehel.com/aigc/diffusion-for-metric-depth.html
本站资源仅供个人学习交流,未经许可不得用于商业用途,自行承担法律责任。
如有疑问,请联系微信:heehelcom

评论 抢沙发

喜好儿——再不认真就输了!

致力于发现ai人工智能应用的新世界, 长期更新目前热门AI教程与动态!期待在这个工业变革时代中,希望你我都能发出一点光。

登录

找回密码

注册