本文详细探讨了sfm-learner的核心运行流程，包括Depth CNN和Pose CNN的作用，以及不同iable image warping过程。文章还讨论了建模的限制，如静态场景假设、无遮挡条件和理想镜面反射，并介绍了克服梯度局限性的策略。此外，简要介绍了sfm-Net，它用于从一对帧中估计场景深度和相机运动。
一、 sfm-learner
A、sfm-learner核心运行流程图如下图所示
核心：Depth CNN和Pose CNN
具体过程：
1、目标视图作为Depth CNN的输入生成具有每个像素深度的深度图，即 Dt^ D t ^ ；
2、对于Pose CNN则将目标视图和源视图作为输入，输出相机的相对姿态 T^t→t−1 T ^ t → t − 1 , T^t→t+1 T ^ t → t + 1 ；
3、Depth CNN和Pose CNN的输出，即 Dt^ D t ^ 和 T
最低0.47元/天 解锁文章
811
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
