DCL：用于几何感知深度合成的微分对比学习

我们描述了一种无配对真实深度合成方法，该方法从真实世界深度扫描中学习多样化变化，并确保合成深度与生成深度之间的几何一致性。合成后的真实深度可用于训练特定任务网络，促进从合成域的标签迁移。与现有大多忽略几何的图像合成流程不同，我们基于深度扫描自身所承载的几何存在性对其加以对待。我们提出微分对比学习，显式强制底层几何属性对所学习的真实变化保持不变。所得到的深度合成方法与任务无关，并通过在真实世界几何推理任务上的广泛评估展示了该合成方法的有效性。使用我们方法合成的深度训练的网络在各类任务上始终优于当前最优，并在稍作微调时甚至超越使用完整真实标注监督的网络，显示出良好的可迁移性。