用于监督式环视深度估计的邻视Transformer
计算机视觉与模式识别
2025-11-13 v4
摘要
深度估计已被广泛研究，并作为机器人与自动驾驶中三维感知的基础步骤。尽管过去几十年在单目深度估计方面取得了显著进展，但这些尝试主要在仅配备前视相机的KITTI基准上进行，忽略了环视相机间的相关性。本文提出一种用于监督式环视深度估计的邻视Transformer（AVT-SSDepth），以联合预测多个环视相机的深度图。具体而言，我们采用全局到局部的特征提取模块，将CNN与Transformer层结合以获得丰富的表示。此外，提出邻视注意力机制以实现视内与视间特征传播：前者由每个视角内的自注意力模块完成，后者由邻视注意力模块实现，该模块计算多相机间的注意力以在环视特征图间交换多尺度表示。此外，AVT-SSDepth具有强跨数据集泛化能力。大量实验表明，我们的方法在DDAD与nuScenes数据集上均优于现有SOTA方法。代码见 https://github.com/XiandaGuo/SSDepth。
引用
@article{arxiv.2303.07759,
title = {Adjacent-view Transformers for Supervised Surround-view Depth Estimation},
author = {Xianda Guo and Wenjie Yuan and Yunpeng Zhang and Tian Yang and Chenming Zhang and Zheng Zhu and Qin Zou and Long Chen},
journal= {arXiv preprint arXiv:2303.07759},
year = {2025}
}
备注
This paper has been accepted by IROS 2025