Hi_shallyi的博客

作者受高保真图像生成方面取得成功的启发，使用【去噪扩散模型】来进行单目深度估计。方法：具体地，引入了新的方法来解决训练数据中由于噪声、不完整的深度图而产生的问题，包括分步去噪扩散、L1损失和训练过程中的深度填充。为了应对监督训练数据的有限可用性，作者在自监督的图到图翻译任务上使用预训练。通过一个通用的损失和架构，论文的DepthGen模型在室内NYU数据集上取得了SOTA性能，在室外KITTI数据集上也取得了接近SOTA的结果。

基于深度扩散的深度图超分辨方法思路学习

论文提出了一种参考引导的超分神经辐射场 (RefSR-NeRF)，它将 NeRF 扩展到超分辨率和逼真的新颖视图合成。NeRF 在高分辨率渲染中存在模糊问题，因为其固有的多层感知器难以学习高频细节，并且随着分辨率的增加而导致计算爆炸。因此论文提出了 RefSR-NeRF，这是一个端到端框架，首先学习低分辨率 NeRF 表示，然后借助高分辨率参考图像重建高频细节。作者观察到由于退化模型的分歧，简单地引入文献中的预训练模型往往会产生不满意的工件。为此，作者又设计了。