解构自监督单目重建：至关重要的设计决策
计算机视觉与模式识别
2022-12-22 v4 计算几何
机器学习
摘要
本文提出一个开放且全面的框架，用于系统评估自监督单目深度估计领域最先进的贡献。这包括预训练、骨干网络、架构设计选择和损失函数。该领域的许多论文声称在架构设计或损失表述上具有新颖性。然而，仅将历史系统的骨干网络更新便带来 25% 的相对提升，使其能超越该领域大多数现有系统。对该领域论文的系统评估并非易事。先前论文中需进行同类比较的需求意味着评估协议中的长期错误在该领域普遍存在。许多论文很可能不仅针对特定数据集进行了优化，还针对数据与评估标准中的错误进行了优化。为助力该领域未来研究，我们发布了一个模块化代码库（https://github.com/jspenmar/monodepth_benchmark），便于针对修正后的数据与评估标准轻松评估替代设计决策。我们重新实现、验证并重新评估了 16 项最先进的贡献，并引入了一个新数据集（SYNS-Patches），包含多种自然与城市场景中的密集室外深度图。这使得在深度边界等复杂区域计算信息丰富的指标成为可能。
引用
@article{arxiv.2208.01489,
title = {Deconstructing Self-Supervised Monocular Reconstruction: The Design Decisions that Matter},
author = {Jaime Spencer and Chris Russell and Simon Hadfield and Richard Bowden},
journal= {arXiv preprint arXiv:2208.01489},
year = {2022}
}
备注
https://github.com/jspenmar/monodepth_benchmark