深入解析UnDEMoN：用于深度与自运动估计的无监督深度网络
计算机视觉与模式识别
2018-11-28 v3 人工智能
摘要
本文提出一种称为UnDEMoN的无监督深度学习框架，用于直接从单目图像估计稠密深度图与6自由度相机位姿信息。所提网络使用无标签单目立体图像对进行训练，并在深度与自运动估计上展现出优于现有state-of-the-art的性能。这些改进通过引入一种新的目标函数实现，该函数旨在同时最小化空间与时间重建损失。这些损失利用双线性采样核定义，并采用Charbonnier惩罚函数进行惩罚。由此构建的目标函数对图像梯度噪声具有鲁棒性，从而提升了整体估计精度，且无需借助当前文献中盛行的由粗到细策略。另一新颖之处在于，我们将基于视差深度估计网络与位姿估计网络相结合，以获得绝对尺度感知的6自由度相机位姿与更优深度图。在KITTI驾驶数据集上与现有有监督及无监督方法的性能比较证明了所提方法的有效性。
引用
@article{arxiv.1809.00969,
title = {A Deeper Insight into the UnDEMoN: Unsupervised Deep Network for Depth and Ego-Motion Estimation},
author = {Madhu Babu and Anima Majumder and Kaushik Das and Swagat Kumar},
journal= {arXiv preprint arXiv:1809.00969},
year = {2018}
}