CbwLoss：用于深度与位姿自监督学习的约束双向加权损失
计算机视觉与模式识别
2023-03-06 v2
摘要
光度差异被广泛用作监督信号来训练神经网络，以从未经标记的单目视频中估计深度与相机位姿。然而，由于场景中的遮挡与运动物体违背了潜在的静态场景假设，该方法不利于模型优化。此外，无纹理区域中的像素或判别性较弱的像素阻碍了模型训练。为解决这些问题，本文中我们利用仿射变换与视图合成分别生成的流场差异与深度结构来处理运动物体与遮挡。其次，我们通过在不增加网络的情况下度量具有更多语义与上下文信息的特征之间的差异，来减轻无纹理区域对模型优化的影响。此外，尽管双向性分量用于每个子目标函数中，但一对图像仅被推理一次，这有助于减少开销。大量实验与可视化分析证明了所提方法的有效性，其在相同条件下且未引入额外辅助信息的情况下优于现有的最先进自监督方法。
引用
@article{arxiv.2212.05845,
title = {CbwLoss: Constrained Bidirectional Weighted Loss for Self-supervised Learning of Depth and Pose},
author = {Fei Wang and Jun Cheng and Penglei Liu},
journal= {arXiv preprint arXiv:2212.05845},
year = {2023}
}
备注
accepted by the Transactions on Intelligent Transportation Systems on February 20, 2023