Learning a Depth Covariance Function
Learning a Depth Covariance Function
复制标题
DOI：
10.1109/cvpr52729.2023.01261
复制
发表时间：
2023-03
期刊：
影响因子：
--
通讯作者：
Eric Dexheimer;A. Davison
中科院分区：
文献类型：
--
作者：
Eric Dexheimer;A. Davison
我们建议学习深度协方差函数，并将其应用于几何视觉任务。在给定RGB图像作为输入的情况下，可以灵活地使用协方差函数来定义深度函数的先验、给定观测的预测分布以及活动点选择的方法。我们利用这些技术完成一系列下游任务：深度完井、束调整和单目高密度视觉里程计。
We propose learning a depth covariance function with applications to geometric vision tasks. Given RGB images as input, the covariance function can be flexibly used to define priors over depth functions, predictive distributions given observations, and methods for active point selection. We leverage these techniques for a selection of downstream tasks: depth completion, bundle adjustment, and monocular dense visual odometry.