单目深度估计中无监督域适应的一致性正则化
计算机视觉与模式识别
2024-05-29 v1
摘要
在单目深度估计中，最近探索了无监督域适应以减轻对大型标注图像深度数据集的依赖。然而，这以训练多个模型或需要复杂的训练协议为代价。我们通过假设仅能访问源域的真实标签，将单目深度估计的无监督域适应表述为一个基于一致性的半监督学习问题。为此，我们引入了一个成对损失函数，该函数在源域上正则化预测，同时对未标注目标样本的多个增强视图强制执行扰动一致性。重要的是，我们的方法简单有效，与先前工作相比，仅需训练单个模型。在我们的实验中，我们依靠标准深度估计基准KITTI和NYUv2，展示了与相关方法相比的最先进结果。此外，我们通过一系列消融研究分析了我们方法的简洁性和有效性。代码可在 \url{https://github.com/AmirMaEl/SemiSupMDE} 获取。
引用
@article{arxiv.2405.17704,
title = {Consistency Regularisation for Unsupervised Domain Adaptation in Monocular Depth Estimation},
author = {Amir El-Ghoussani and Julia Hornauer and Gustavo Carneiro and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2405.17704},
year = {2024}
}
备注
Accepted to Conference on Lifelong Learning Agents (CoLLAs) 2024