DELTAR：轻量级 ToF 传感器和 RGB 图像的深度估计！论文/代码速递2022.11.3！

整理：AI算法与图像处理

CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo

ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo

最新成果demo展示：

标题：DELTAR: Depth Estimation from a Light-weight ToF Sensor And RGB Image

论文：https://arxiv.org/pdf/2209.13362.pdf

主页：https://zju3dv.github.io/deltar/

代码：https://github.com/zju3dv/deltar

轻型飞行时间 (ToF) 深度传感器体积小、价格便宜、能耗低，已在移动设备上大规模部署，用于自动对焦、障碍物检测等目的。然而，由于它们的特定测量（深度分布）在一个区域而不是某个像素处的深度值）和极低的分辨率，它们不足以用于需要高保真深度的应用，例如 3D 重建。在本文中，我们提出了 DELTAR，这是一种新方法，通过与彩色图像合作，使轻量级 ToF 传感器具有测量高分辨率和准确深度的能力。作为 DELTAR 的核心，提出了一种针对深度分布定制的特征提取器和基于注意力的神经架构，以有效地融合来自颜色和 ToF 域的信息。为了在真实场景中评估我们的系统，我们设计了一个数据收集设备，并提出了一种校准 RGB 相机和 ToF 传感器的新方法。实验表明，我们的方法比为深度补全和深度超分辨率设计的现有框架产生了更准确的深度，并达到了与商品级 RGB-D 传感器相当的性能

ToF是一种测距的方法，ToF相机一般需要使用特定人造光源进行测量，即通过测量超声波、微波、光等信号在发射器和反射器之间的“飞行时间”来计算出两者之间距离。能够实现ToF测距的传感器就是ToF传感器。ToF传感器种类很多，使用较多的是通过红外或者激光进行测距的ToF传感器。 https://zhuanlan.zhihu.com/p/441161826

最新论文整理

ECCV2022

Updated on : 3 Nov 2022

total number : 2

DEArt: Dataset of European Art

• 论文/Paper: http://arxiv.org/pdf/2211.01226
• 代码/Code: None

Generative Poisoning Using Random Discriminators

• 论文/Paper: http://arxiv.org/pdf/2211.01086
• 代码/Code: None

CVPR2022

NeurIPS

Updated on : 3 Nov 2022

total number : 6

Two-Stream Network for Sign Language Recognition and Translation

• 论文/Paper: http://arxiv.org/pdf/2211.01367
• 代码/Code: None

Attention-based Neural Cellular Automata

• 论文/Paper: http://arxiv.org/pdf/2211.01233
• 代码/Code: None

Learning a Condensed Frame for Memory-Efficient Video Class-Incremental Learning

• 论文/Paper: http://arxiv.org/pdf/2211.00833
• 代码/Code: None

Insight into cloud processes from unsupervised classification with a rotationally invariant autoencoder

• 论文/Paper: http://arxiv.org/pdf/2211.00860
• 代码/Code: None

Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach

• 论文/Paper: http://arxiv.org/pdf/2211.00824
• 代码/Code: https://github.com/kai-wen-yang/lpa3

Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection

• 论文/Paper: http://arxiv.org/pdf/2211.00677
• 代码/Code: None