用于自监督单目深度估计的自适应离散视差体
计算机视觉与模式识别
2024-12-02 v2 人工智能
机器人学
摘要
在自监督单目深度估计任务中，离散视差预测已被证明能够获得比常见连续方法质量更高的深度图。然而，当前的离散化策略通常以手工且僵化的方式将场景的深度范围划分为多个区间，限制了模型性能。在本文中，我们提出了一种可学习模块，即自适应离散视差体，能够动态感知不同 RGB 图像中的深度分布并为其生成自适应区间。无需任何额外监督，该模块即可集成到现有 CNN 架构中，允许网络为各个区间生成代表值及其上的概率体。此外，我们分别通过损失项和温度参数引入了新颖的训练策略——均匀化与锐化——以在自监督条件下提供正则化，防止模型退化或崩溃。实验结果表明，ADDV 能够有效处理全局信息，为各种场景生成合适的区间，并产生比手工方法质量更高的深度图。
引用
@article{arxiv.2404.03190,
title = {Adaptive Discrete Disparity Volume for Self-supervised Monocular Depth Estimation},
author = {Jianwei Ren},
journal= {arXiv preprint arXiv:2404.03190},
year = {2024}
}