ACDNet：用于单目全景深度估计的自适应组合空洞卷积网络
计算机视觉与模式识别
2022-04-04 v2
摘要
近年来，深度估计是利用全景图像进行三维重建的关键步骤。全景图像保留了完整的空间信息，但等距柱状投影会引入畸变。本文中，我们提出一种基于自适应组合空洞卷积的 ACDNet，用于预测单目全景图像的稠密深度图。具体而言，我们组合具有不同膨胀率的卷积核，以扩展等距柱状投影中的感受野。同时，我们引入自适应通道融合模块来汇总特征图，并沿通道在感受野中获取多样化的注意力区域。由于在构建自适应通道融合模块时利用了通道注意力，该网络能够高效捕捉并利用跨通道上下文信息。最后，我们在三个数据集（包括虚拟和真实世界）上进行深度估计实验，实验结果表明我们提出的 ACDNet 大幅优于当前最先进（SOTA）方法。我们的代码和模型参数可在 https://github.com/zcq15/ACDNet 获取。
引用
@article{arxiv.2112.14440,
title = {ACDNet: Adaptively Combined Dilated Convolution for Monocular Panorama Depth Estimation},
author = {Chuanqing Zhuang and Zhengda Lu and Yiqun Wang and Jun Xiao and Ying Wang},
journal= {arXiv preprint arXiv:2112.14440},
year = {2022}
}
备注
13 pages, 6 figures