一种实用的水下深度与表面法线估计方法
计算机视觉与模式识别
2025-07-15 v2
摘要
单目深度与表面法线估计（MDSNE）对于3D重建、自动导航和水下探索等任务至关重要。现有方法要么依赖判别模型，难以处理透明或反射表面；要么依赖生成模型，虽然准确但计算成本高。本文提出了一种新型深度学习模型，专为水下环境设计，采用融合卷积神经网络（CNN）与Transformer的混合架构，充分发挥两者优势。有效训练MDSNE模型常受噪声数据集和合成数据集泛化性有限的制约。为此，我们使用多个预训练MDSNE模型生成伪标签实数据。为确保数据质量，我们提出了深度-法线评估与选择算法（DNESA），以领域特定指标评估并筛选最可靠的伪标签样本。随后，在该精选数据集上训练轻量级学生模型。我们的模型参数减少90%，训练成本降低80%，可在资源受限设备上实现实时3D感知。主要贡献包括：一种新型且高效的MDSNE模型、DNESA算法、领域特定数据管道，以及面向实时性能和可扩展性的设计。针对实际水下应用，本模型促进了水下机器人和自动驾驶车辆的低成本部署，弥合了了研究与实际实现之间的差距。
引用
@article{arxiv.2410.02072,
title = {A Practical Approach to Underwater Depth and Surface Normals Estimation},
author = {Alzayat Saleh and Melanie Olsen and Bouchra Senadji and Mostafa Rahimi Azghadi},
journal= {arXiv preprint arXiv:2410.02072},
year = {2025}
}
备注
18 pages, 6 figures, 8 tables. Submitted to Elsevier