System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及图像深度信息计算技术,尤其涉及一种深度估计模型确定方法及装置,以及深度信息确定方法及装置、电子设备、存储介质。
技术介绍
1、近年来,单目深度估计算法及技术在计算机视觉领域越来越备受学术界与工业界重视,其算法对场景的三维重建、增强现实中的遮挡及光照处理具有非常的重要意义,迭代优化出一个较好的深度网络模型需要大批量和高质量的数据进行驱动。
2、相关技术中,在相关场景中单目深度估计算法性能较差,输出深度图质量不高。。
技术实现思路
1、本公开提供一种深度信息确定方法及装置、电子设备、存储介质,至少能解决前述的技术问题。
2、根据本公开实施例的第一方面,提供一种深度估计模型确定方法,包括:
3、获取第一场景下仿真图像数据;
4、将所述仿真图像数据进行真实化图像转换,得到对应真实化图像数据;
5、搭建至少两级训练网络模型进行监督学习,训练出所述第一场景下的深度估计模型。
6、可选的,所述搭建至少两级训练网络模型进行监督学习,包括:
7、设置两级训练网络模型;
8、向第一级训练网络模型的输入端输入所述真实化图像数据,输出第一图像数据;
9、其中,通过所述第一级训练网络模型获取所述真实化图像数据中的纹理特征,以确定所述真实化图像数据的所述第一场景下的第一深度信息;基于所述第一深度信息与所述第一级训练网络模型处理的上采样图像数据融合,得到所述第一图像数据;
10、将下
11、其中,通过所述第二级训练网络模型对下采样后的所述真实化图像数据和所述第一图像数据进行融合,获取融合后的第一融合图像数据的纹理特征,以确定所述第一融合图像数据的所述第一场景下的第二深度信息;基于所述第二深度信息与所述第二级训练网络模型处理的上采样图像数据融合,得到所述第二图像数据。
12、可选的,所述搭建至少两级训练网络模型进行监督学习,包括:
13、设置n级训练网络模型;
14、向第一级训练网络模型的输入端输入所述真实化图像数据,输出第一图像数据;
15、其中,通过所述第一级训练网络模型获取所述真实化图像数据中的纹理特征,以确定所述真实化图像数据的所述第一场景下的第一深度信息;基于所述第一深度信息与所述第一级训练网络模型处理的上采样图像数据融合,得到所述第一图像数据;
16、将下采样后的所述真实化图像数据和所述第一图像数据输入第二级训练网络模型,输出第二图像数据;
17、其中,通过所述第二级训练网络模型对下采样后的所述真实化图像数据和所述第一图像数据进行融合,获取融合后的第一融合图像数据的纹理特征,以确定所述第一融合图像数据的所述第一场景下的第二深度信息;基于所述第二深度信息与所述第二级训练网络模型处理的上采样图像数据融合,得到所述第二图像数据;
18、将下采样后的所述第n-2级训练网络模型的输出端输出的第n-2图像数据和所述第n-1级训练网络模型的输出端输出的第n-1图像数据输入第n级训练网络模型,输出所述第n图像数据;
19、其中,通过所述第n级训练网络模型对第n-2图像数据和所述第n-1图像数据进行融合,获取第n-1融合后的第n-1融合图像数据的纹理特征,以确定所述第n-1融合图像数据的所述第一场景下的第n深度信息;基于所述第n深度信息与所述第n-1级训练网络模型处理的上采样图像数据融合,得到所述第n图像数据;其中,n大于等于3。
20、可选的,所述方法还包括:
21、在各级所述训练网络模型中嵌入空洞卷积训练模块;其中,所述空洞卷积训练模块中插入不同膨胀参数的空洞卷积参数;
22、每级所述训练网络模型中空洞卷积训练模型的输出特征图的分辨率与输入特征图的分辨率相同;所述空洞卷积训练模块的编码器部分的空洞卷积的膨胀参数与所述空洞卷积训练模块的解码器部分的空洞卷积的膨胀参数不同。
23、可选的,将所述仿真图像数据进行真实化图像转换,包括:
24、将所述仿真图像数据输入真实化图像转换模型,得到所述真实化图像数据。
25、可选的,将所述仿真图片数据进行真实化图像转换之前,所述方法还包括:
26、获取训练用的第一场景下的仿真数据以及真实数据,基于训练用的仿真数据以及真实数据进行转换模型训练,得到真实化图像转换模型。
27、可选的,所述获取第一场景下仿真图像数据,包括:
28、从虚拟现实应用、游戏应用、或动漫播放帧中的至少之一中获取第一场景下仿真图像数据。
29、根据本公开实施例的第二方面,提供一种深度信息确定方法,包括:
30、获取第一场景下的图像数据,将所述图像数据输入至通过所述深度估计模型确定方法确定的深度估计模型,由所述深度估计模型对所述图像的深度信息进行估计,确定所述图像数据的深度图。
31、根据本公开实施例的第三方面,提供一种深度估计模型确定装置,包括:
32、训练单元,用于搭建至少两级训练网络模型进行监督学习,训练出所述第一场景下的深度估计模型。
33、可选的,所述训练单元,还用于:
34、设置两级训练网络模型;
35、向第一级训练网络模型的输入端输入所述真实化图像数据,输出第一图像数据;
36、其中,通过所述第一级训练网络模型获取所述真实化图像数据中的纹理特征,以确定所述真实化图像数据的所述第一场景下的第一深度信息;基于所述第一深度信息与所述第一级训练网络模型处理的上采样图像数据融合,得到所述第一图像数据;
37、将下采样后的所述真实化图像数据和所述第一图像数据输入第二级训练网络模型,输出第二图像数据;
38、其中,通过所述第二级训练网络模型对下采样后的所述真实化图像数据和所述第一图像数据进行融合,获取融合后的第一融合图像数据的纹理特征,以确定所述第一融合图像数据的所述第一场景下的第二深度信息;基于所述第二深度信息与所述第二级训练网络模型处理的上采样图像数据融合,得到所述第二图像数据。
39、可选的,所述训练单元,还用于:
40、设置n级训练网络模型;
41、向第一级训练网络模型的输入端输入所述真实化图像数据,输出第一图像数据;
42、其中,通过所述第一级训练网络模型获取所述真实化图像数据中的纹理特征,以确定所述真实化图像数据的所述第一场景下的第一深度信息;基于所述第一深度信息与所述第一级训练网络模型处理的上采样图像数据融合,得到所述第一图像数据;
43、将下采样后的所述真实化图像数据和所述第一图像数据输入第二级训练网络模型,输出第二图像数据;
44、其中,通过所述第二级训练网络模型对下采样后的所述真实化图像数据和所述第一图像数据进本文档来自技高网...
【技术保护点】
1.一种深度估计模型确定方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述搭建至少两级训练网络模型进行监督学习,包括:
3.根据权利要求1所述的方法,其特征在于,所述搭建至少两级训练网络模型进行监督学习,包括:
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
5.根据权利要求1所述的方法,其特征在于,将所述仿真图像数据进行真实化图像转换,包括:
6.根据权利要求5所述的方法,其特征在于,将所述仿真图片数据进行真实化图像转换之前,所述方法还包括:
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取第一场景下仿真图像数据,包括:
8.一种深度信息确定方法,其特征在于,所述方法包括:
9.一种深度估计模型确定装置,其特征在于,所述装置包括:
10.根据权利要求9所述的装置,其特征在于,所述训练单元,还用于:
11.根据权利要求9所述的装置,其特征在于,所述训练单元,还用于:
12.根据权利要求10或1
13.根据权利要求9所述的装置,其特征在于,所述转换单元,包括:
14.根据权利要求13所述的装置,其特征在于,所述转换单元,还包括:
15.根据权利要求9至14任一项所述的装置,其特征在于,所述获取单元,还用于:
16.一种深度信息确定装置,其特征在于,所述装置包括:
17.一种电子设备,包括处理器和用于存储处理器可执行指令的存储器,其特征在于,所述处理器被配置为在调用存储器中的可执行指令时,能够执行如权利要求1至7任一项所述的深度估计模型确定方法或执行如权利要求8所述的深度信息确定方法的步骤。
18.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至7任一项所述的深度估计模型确定方法或执行如权利要求8所述的深度信息确定方法的步骤。
...【技术特征摘要】
1.一种深度估计模型确定方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述搭建至少两级训练网络模型进行监督学习,包括:
3.根据权利要求1所述的方法,其特征在于,所述搭建至少两级训练网络模型进行监督学习,包括:
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
5.根据权利要求1所述的方法,其特征在于,将所述仿真图像数据进行真实化图像转换,包括:
6.根据权利要求5所述的方法,其特征在于,将所述仿真图片数据进行真实化图像转换之前,所述方法还包括:
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取第一场景下仿真图像数据,包括:
8.一种深度信息确定方法,其特征在于,所述方法包括:
9.一种深度估计模型确定装置,其特征在于,所述装置包括:
10.根据权利要求9所述的装置,其特征在于,所述训练单元,还用于:
11.根据权利要求9所述...
【专利技术属性】
技术研发人员:石学超,余冲,李雅楠,王晓涛,雷磊,
申请(专利权)人:北京小米移动软件有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。