无监督单目深度预测中的双边循环约束与自适应正则化
计算机视觉与模式识别
2019-06-20 v3
摘要
从单幅图像推断（假设）场景深度的监督学习方法需要代价高昂的逐像素真值。我们遵循一种几何方法，利用丰富的立体图像来学习一个无需直接监督即可假设场景结构的模型。尽管我们使用立体图像对训练网络，但在测试时仅需单幅图像即可假设视差或深度。我们提出了一种新颖的目标函数，利用左右视差之间的双边循环关系，并引入了一种自适应正则化方案，使网络能够处理立体图像对中的共可见区域与遮挡区域。该过程最终产生一个模型，用于生成单幅图像中所见场景三维结构的假设。当用于生成深度的单一（最可能）估计时，我们的方法在 KITTI 基准上优于最先进的（state-of-the-art）无监督单目深度预测方法。我们表明，通过将我们在 KITTI 上训练的模型应用于 Make3d 数据集，我们的方法具有良好的泛化能力。
引用
@article{arxiv.1903.07309,
title = {Bilateral Cyclic Constraint and Adaptive Regularization for Unsupervised Monocular Depth Prediction},
author = {Alex Wong and Byung-Woo Hong and Stefano Soatto},
journal= {arXiv preprint arXiv:1903.07309},
year = {2019}
}