通过元初始化提升零样本跨数据集单张室内深度估计的泛化性

室内机器人依赖深度信息执行导航或障碍检测等任务，单张图像深度估计被广泛用于辅助感知。目前大多数室内单张图像深度预测关注模型对未见数据集的泛化性，而非野外部署的鲁棒性。本文利用基于梯度的元学习方法获得更高的零样本跨数据集推理泛化性。不同于最常研究的以显式类别标签相关的图像分类元学习，不涉及与高度变化的室内环境中物体布局和场景构成相关的连续深度值而存在明确任务边界。我们提出将每个 RGB-D 小批量视为元学习框架中的一个任务的细粒度任务定义。我们首先展示，在有限数据上的方法可获得更好的先验（RMSE 最多降低 27.8%）。随后，在元学习初始化上进行微调始终优于不采用元方法的基线方法。为实现泛化，我们提出零样本跨数据集协议，验证了由元初始化诱导的更高泛化性，作为一种简单且实用的插件，可集成到许多现有的深度估计方法中。深度与元学习交叉的工作可能推动两者的研究都走向实际的机器人和机器感知应用。