买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学;大连理工大学宁波研究院;大连维视科技有限公司申请的专利一种基于像素匹配预测相机姿态的自监督单目深度预测训练方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115830090B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211532186.6，技术领域涉及：G06T7/38；该发明授权一种基于像素匹配预测相机姿态的自监督单目深度预测训练方法是由卢湖川;何俊文;王立君;王一帆设计研发完成，并于2022-12-01向国家知识产权局提交的专利申请。

本一种基于像素匹配预测相机姿态的自监督单目深度预测训练方法在说明书摘要公布了：本发明属于机器学习、3D计算机视觉、单目深度预测、自监督学习领域，提供了一种基于像素匹配预测相机姿态的自监督单目深度预测训练方法。本发明将自监督深度预测学习中抽象的相机运动预测过程转化为基于像素匹配的过程，并通过几何方式求解相机运动，增强其可解释性，同时提升其泛化性。本发明借助传统几何方法求解的相机运动更准确，使得自监督深度预测学习在室内环境或相机运动姿态变化大的场景下训练过程更稳定、效果更鲁棒。

本发明授权一种基于像素匹配预测相机姿态的自监督单目深度预测训练方法在权利要求书中公布了：1.一种基于像素匹配预测相机姿态的自监督单目深度预测训练方法，通过几何3D-2D特征点对求解相机姿态帮助自监督学习单目深度，其特征在于，步骤如下： 步骤1：输入两帧连续图像，为target帧和source帧，通过光流预测网络获取密集的光流预测作为匹配结果； 光流预测网络基于PWC-Net，通过使用从两帧连续图像提取出的特征构建代价体积，并通过其找到使代价体积最小的匹配信息；光流预测网络主要由特征提取网络和代价体积匹配网络组成；特征提取网络通过卷积模块和残差模块构建特征金字塔，获得2倍、4倍、8倍、16倍和32倍下采样特征；代价体积匹配网络在相同分辨率下使用两帧连续图像特征通过计算相关性构建代价体积： ； 其中，代表特征的层数，、分别代表两帧连续图像特征，代表特征的数量； 通过一个五层的卷积模块从代价体积输出第层的光流预测，步骤为： 1.1通过第层的特征构建代价体积并输出第层的光流预测； 1.2将第层的光流预测上采样2倍作为第层的光流先验，并通过其对齐第层的特征并构建代价体积，最后预测第层的光流； 1.3重复步骤1.1-1.2，直到输出与图像分辨率相同的光流预测； 步骤2：通过一个自适应权重预测网络为每一组匹配点赋予一个可靠性权重；自适应权重预测网络的输入是匹配点对应位置的特征向量，进行拼接后通过五层1D卷积及Sigmoid层将输出限制在之间，作为预测的权重值； 步骤3：输入目标帧的图像，通过单目深度预测网络获取深度图； 单目深度预测网络使用编码器-解码器结构，通过编码器逐级提取特征，并通过解码器逐步提升特征分辨率并预测深度； 步骤4：通过预测的深度图及相机内参将target帧上的匹配点投影到3D空间： ； 其中，代表预测的深度值，代表相机内参，分别代表对应的2D、3D坐标值； 步骤5：通过3D-2D匹配点及其对应权重，使用EPnP算法求解相应的相机运动，找到满足最小化能量函数的相机运动： 其中分别代表target帧、source帧的3D、2D坐标值，为对应可靠性权重，代表针孔模型的3D-2D投影： 步骤6：在得到预测深度图、相机运动姿态后，借助相机内参使用source帧重构出target帧： ； 其中，、代表source帧、target帧对应位置的像素坐标值，T代表预测的相机运动，代表预测的深度图，代表相机内参；接着通过最小化原图像与重构图像的光度误差来约束网络训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学;大连理工大学宁波研究院;大连维视科技有限公司，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。