此外,由于具有尺度一致的预测能力,我们证明了我们的单目训练深度网络很容易集成到ORB-SLAM2系统中,以实现更鲁棒和准确的跟踪。本文提出的hybrid Pseudo-RGBD SLAM在KITTI中显示了令人信服的结果,并且不需要额外的训练就能很好地推广到KAIST数据集。最后,我们提供了几个定性评价的演示。 主要框架及实验结果
为了验证模型的泛化能力,作者在 Make3D 数据集上做了 zero-shot 泛化实验(如 Fig.6 所示)。 Fig. 6 在 Make3D 数据集上的 zero-shot 实验结果对比 为了说明 ARN 损失函数的有效性,作者做了两个损失函数的消融实验(如 Fig.7 所示)。 Fig. 7 在 NYUv2 数据集上两个损失函数的消融实验结果 最后,作者对比...
五、实验结果我们在NYUv2上进行训练，然后在多个其他数据集上做了测试。首先对比NYUv2上的结果如下：在Scannet上做zero-shot generalization测试的结果如下：在Make3D上做zero-shot generalization测试的结果如下：在NYUv2上对loss function的ablation study结果如下：以及在NYUv2上的validation loss可视化如下：深度图可视...
该方法使用输入的 2D 分割图来指导添加的 3D 高斯语义信息的学习,而最近邻聚类和统计过滤则细化分割结果。 实验表明,我们的简洁方法可以在多对象分割的 mIOU 和 mAcc 上实现与以前的单对象分割方法相当的性能。 NeRF相关 Pano-NeRF: Synthesizing High Dynamic Range Novel Views with Geometry from Sparse Low Dynam...
五、实验结果 我们在NYUv2上进行训练,然后在多个其他数据集上做了测试。首先对比NYUv2上的结果如下: 在Scannet上做zero-shot generalization测试的结果如下: 在Make3D上做zero-shot generalization测试的结果如下: 在NYUv2上对loss function的ablation study结果如下: ...