AdaDepth：用于深度估计的无监督内容一致自适应方法
计算机视觉与模式识别
2018-06-08 v2
摘要
有监督深度学习方法在单目深度估计任务上已展现出有前景的结果；但获取真值代价高昂，且易受噪声与不准确性的影响。虽然合成数据集已被用来规避上述问题，但由于固有的域偏移，由此得到的模型在自然场景上泛化不佳。近期用于域适应的对抗方法在缓解源域与目标域差异方面表现良好。但这些方法大多局限于分类设定，难以很好地扩展到全卷积架构。在本文中，我们提出 AdaDepth——一种面向单目深度估计这一逐像素回归任务的无监督域适应策略。所提方法通过 a) 对抗学习以及 b) 对适应后的目标表征显式施加内容一致性，从而免除了上述局限。我们的无监督方法在深度估计任务上与其它既有方法具竞争力，并在半监督设定下取得了最先进的结果。
引用
@article{arxiv.1803.01599,
title = {AdaDepth: Unsupervised Content Congruent Adaptation for Depth Estimation},
author = {Jogendra Nath Kundu and Phani Krishna Uppala and Anuj Pahuja and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:1803.01599},
year = {2018}
}
备注
CVPR 2018