HyperAIHyperAI
منذ 2 أشهر

OmniDepth: تقدير العمق الكثيف للصور البانورامية الكروية الداخلية

Nikolaos Zioulis; Antonis Karakottas; Dimitrios Zarpalas; Petros Daras
OmniDepth: تقدير العمق الكثيف للصور البانورامية الكروية الداخلية
الملخص

العمل الحديث في تقدير العمق حتى الآن ركز فقط على الصور الإسقاطية، متجاهلاً المحتوى البانورامي (360) الذي يتم إنتاجه بشكل متزايد وبسهولة أكبر. نوضح أن النماذج المستخدمة لتقدير العمق من صورة واحدة والتي تم تدريبها على الصور التقليدية تنتج نتائج غير مثلى عند تطبيقها على الصور الشاملة (omnidirectional)، مما يبرز الحاجة إلى التدريب مباشرة على مجموعات بيانات بانورامية (360)، والتي من الصعب الحصول عليها. في هذا البحث، نتجاوز التحديات المرتبطة بالحصول على مجموعات بيانات بانورامية عالية الجودة تحتوي على شروحات دقيقة للعمق، من خلال إعادة استخدام مجموعات البيانات ثلاثية الأبعاد الضخمة التي تم إطلاقها مؤخرًا وإعادة توجيهها إلى البانوراما عبر الرسم. هذه المجموعة من البيانات أكبر بكثير من مجموعات البيانات الإسقاطية المشابهة، وتُقدم للجمهور بشكل عام لتمكين البحوث المستقبلية في هذا المجال. نستخدم هذه المجموعة من البيانات لتعلم مهمة تقدير العمق من الصور البانورامية (360) بطريقة شاملة ومتصلة. نعرض نتائج واعدة في بياناتنا المصنعة وكذلك في الصور الواقعية غير المعروفة سابقًا.

OmniDepth: تقدير العمق الكثيف للصور البانورامية الكروية الداخلية | أحدث الأوراق البحثية | HyperAI