ActiveStereoNet：面向主动立体系统的端到端自监督学习
计算机视觉与模式识别
2018-07-18 v1
摘要
本文提出 ActiveStereoNet，首个针对主动立体系统的深度学习方案。由于缺乏真值，我们的方法完全自监督，却能以像素的子像素精度产出精确深度；它不存在常见的过度平滑问题；能保持边缘；并显式处理遮挡。我们引入了一种对噪声和无纹理块更鲁棒、且对光照变化不变的新颖重建损失。所提损失采用基于窗口的代价聚合与自适应支持权重方案进行优化。该代价聚合具有保边性并平滑损失函数，是网络取得令人信服结果的关键。最后我们展示了预测无效区域（如遮挡）的任务如何无需真值即可端到端训练。该组件对减轻模糊至关重要，尤其改善了深度不连续处的预测。在真实与合成数据上的大量定量与定性评估证明了其在诸多挑战性场景中达到 SOTA 结果。
引用
@article{arxiv.1807.06009,
title = {ActiveStereoNet: End-to-End Self-Supervised Learning for Active Stereo Systems},
author = {Yinda Zhang and Sameh Khamis and Christoph Rhemann and Julien Valentin and Adarsh Kowdle and Vladimir Tankovich and Michael Schoenberg and Shahram Izadi and Thomas Funkhouser and Sean Fanello},
journal= {arXiv preprint arXiv:1807.06009},
year = {2018}
}
备注
Accepted by ECCV2018, Oral Presentation, Main paper + Supplementary Materials