DeFeat-Net：基于同步无监督表征学习的通用单目深度估计
计算机视觉与模式识别
2020-03-31 v1
摘要
在当前单目深度研究中，主导方法是在大型数据集上采用无监督训练，由形变光度一致性驱动。此类方法缺乏鲁棒性，且无法泛化到具有挑战性的域，例如夜间场景或恶劣天气条件，其中关于光度一致性的假设失效。我们提出 DeFeat-Net（Depth & Feature network，深度与特征网络），一种同时学习跨域稠密特征表征、以及基于形变特征一致性的鲁棒深度估计框架的方法。所得特征表征以无监督方式学习，无需显式真实对应。我们表明，在单一域内，我们的技术与当前 SOTA 单目深度估计及有监督特征表征学习相当。然而，通过同步学习特征、深度与运动，我们的技术能够泛化到具有挑战性的域，使 DeFeat-Net 在如夜间驾驶等更具挑战性序列上以约 10% 的所有误差度量下降优于当前 SOTA。
引用
@article{arxiv.2003.13446,
title = {DeFeat-Net: General Monocular Depth via Simultaneous Unsupervised Representation Learning},
author = {Jaime Spencer and Richard Bowden and Simon Hadfield},
journal= {arXiv preprint arXiv:2003.13446},
year = {2020}
}