DCPI-Depth：将稠密对应关系先验显式注入无监督单目深度估计

近期出现了大量关于如何以无监督方式学习从单目视频中感知深度的研究。该领域的关键挑战之一是，在面对弱纹理区域或存在动态物体的场景时，实现稳健且准确的深度估计。本研究通过深入探讨稠密对应关系先验，为现有框架提供显式几何约束，作出了三大主要贡献。第一项创新是一种情境几何深度一致性损失函数，利用基于估计的ego-motion所三角化的深度图，引导学习从情境信息中进行深度感知，因为显式三角化的深度图能够捕捉像素之间的准确相对距离。第二项创新源于光流散度与深度梯度之间存在显式可推导关系。因此，设计了一种微分属性相关损失，用于在局部变化方面细化深度估计。第三项创新是一种双向流式协调策略，增强了刚性运动与光流之间的相互作用，鼓励前者在不同场景下实现更准确的对应关系，使后者在静态场景假设下更具适应性。DCPI-Depth是一个集成了所有这些创新组件并采用双向协作流的框架，实现了在多个公开数据集上的领先性能和广泛适用性。具体而言，它在无纹理和动态区域实现了准确的深度估计，显示出更合理的平滑性。我们的源代码将在发表后公开于mias.group/DCPI-Depth。