一种具有域变换与歧义学习的新型单目视差估计网络
图像与视频处理
2019-03-22 v1 机器学习
摘要
卷积神经网络（CNN）已在立体和单目视差估计等底层计算机视觉问题上展现出最先进的结果，但在精度、参数量等方面仍有很大的进一步提升空间。近期工作揭示了采用无监督方案训练 CNN 估计单目视差的优势，该方法训练仅需相对容易获取的立体图像。我们提出了一种新颖的编码器-解码器架构，其通过以下方式超越以往的无监督单目深度估计网络：（i）考虑歧义性，（ii）利用矩形卷积在编码器与解码器特征间进行高效融合，以及（iii）在编码器与解码器之间进行域变换。即便参数量大幅减少，我们的架构在所有指标上均优于 Monodepth 基线。此外，我们的架构能够在单次前向传播中估计完整的视差图，而基线需要两次传播。我们在 KITTI 数据集上进行了大量实验以验证方法的有效性。
引用
@article{arxiv.1903.08514,
title = {A Novel Monocular Disparity Estimation Network with Domain Transformation and Ambiguity Learning},
author = {Juan Luis Gonzalez Bello and Munchurl Kim},
journal= {arXiv preprint arXiv:1903.08514},
year = {2019}
}