基于鲁棒循环生成对抗网络与多任务学习辅助深度估计的雾天高精度自监督单目视觉里程计
计算机视觉与模式识别
2022-03-10 v1
摘要
本文提出一种专为雾天导航设计的高精度自监督单目视觉里程计（VO）。设计了一种循环生成对抗网络，通过强制前向与后向半周期输出一致的估计来获得高质量的自监督损失。此外，引入基于梯度的损失与感知损失，以消除雾天复杂光度变化对自监督损失的干扰。为解决深度估计的病态问题，基于雾天模糊图像的深度估计与透射率图计算之间的强相关性，设计了一种自监督多任务学习辅助深度估计模块。在合成雾天 KITTI 数据集上的实验结果表明，所提出的自监督单目 VO 在深度与位姿估计上优于文献中其他最先进的单目 VO，表明所设计的方法更适用于雾天。
引用
@article{arxiv.2203.04812,
title = {A high-precision self-supervised monocular visual odometry in foggy weather based on robust cycled generative adversarial networks and multi-task learning aided depth estimation},
author = {Xiuyuan Li and Jiangang Yu and Fengchao Li and Guowen An},
journal= {arXiv preprint arXiv:2203.04812},
year = {2022}
}