深度估计,深度估计需沿着概率体深度方向进行

所以需要把深度的期望值作为概率体的深度方向上像素的深度估计的值，让整个深度图中的不同部分更加平滑。深度图生成软件:有些软件可以从普通图像中估计出深度信息，然后生成深度图，内容感知的无监督深度单应性估计单应性估计是许多应用中的基本图像对准方法，神经网络(/深度学习MVSNet的深度估计)是通过神经网络直接学习的。

我们的地球有多大？可以用很多指标来描述。现在告诉你一些指标的数量。地球平均半径为6371.004公里；地球赤道半径6378.140公里；地球的极半径为6356.755公里；地球的平均密度为5.518 * 10(立方)千克/立方米；地球的质量是5.974*10(24次方)千克；地球的体积是1.083 * 10(12次方)立方千米；地球表面积为5.11 * 10(8次方)平方公里。

MVSNet的深度估计是直接通过神经网络学习的。网络训练的方法是输入代价体的真值和对应的深度图，用SoftMax对深度处每个像素的概率进行回归，得到一个代表每幅图像在参考图像深度方向上置信度的概率体(图4.4b)，从而完成从代价到深度值的学习过程。在概率体已知的情况下，最简单的方法可以得到参考图像中所有像素在不同深度的概率图，根据赢者通吃原则直接估计深度图。

所以需要把深度的期望值作为概率体的深度方向上像素的深度估计的值，让整个深度图中的不同部分更加平滑。(43)其中，它表示特征在深度上的置信度。深度图优化的原始代价量往往被噪声污染。因此，为了防止噪声过拟合网络，MVSNet使用基于多尺度的三维卷积神经网络来正则化代价体，并使用UNet网络对代价体进行下采样，提取不同尺度下的上下文信息和相邻像素信息，对代价体进行过滤(图4.5)。

获取深度图的方法取决于您的具体需求和设备。深度图是一种图像，其中每个像素都包含与场景中对象的距离相关的信息。以下是一些常用的获取深度图的方法:深度传感器:很多现代相机、手机等设备都配备了深度传感器，如ToF(TimeofFlight)相机或结构光相机。这些传感器可以测量物体到相机的距离，并生成深度图。你可以使用装备有这些传感器的设备来拍摄深度图。

这种方法需要特殊的硬件配置。计算机视觉技术:利用计算机视觉算法，可以从常规图像中推断出深度信息。这就需要使用计算机视觉技术，比如结构光投影和视差估计。3D扫描:专业的3D扫描仪可以捕捉物体的几何形状和深度信息，生成深度图。深度图生成软件:有些软件可以从普通图像中估计出深度信息，然后生成深度图。这通常需要在图像中提供一些线索，比如物体的大小和形状。

单应性估计是许多应用中的基本图像对准方法。通常是通过提取和匹配稀疏特征点来进行的，这种特征点在弱光低纹理图像中容易出错。另一方面，以前的深度单应方法要么使用合成图像进行监督学习，要么使用航空图像进行非监督学习，这些方法都忽略了在现实应用中处理深度差异和移动对象的重要性。为了克服这些问题，我们提出了一种无监督的深度单应方法。

我们根据学习到的深度特征来计算损失，而不是像以前一样直接比较图像内容。为了实现无监督训练，我们还对网络做了一个新的三元组损失，我们通过全面比较新数据集来验证我们的方法，新数据集覆盖了具有不同任务难度的广泛场景。实验结果表明，我们的方法优于最先进的方法，包括深度解决方案和基于特征的解决方案，估计的单应性可以对准从不同角度拍摄的图像。