Depth360：基于可学习相机畸变模型的单目深度估计自监督学习
计算机视觉与模式识别
2022-02-21 v2 机器人学
摘要
自监督单目深度估计已被广泛研究，用于从 RGB 图像估计深度图像与相对位姿。该框架对研究者颇具吸引力，因为深度网络与位姿网络仅需时间序列图像即可训练，无需真实深度与位姿标签。本工作中，我们使用时间序列球面相机图像，在相机参数未知的情况下估计机器人周围（360 度视角）的深度。我们提出一种可学习的轴对称相机模型，该模型接受带有两个鱼眼相机图像的畸变球面相机图像。此外，我们使用照片级真实感模拟器训练模型以生成真实深度图像提供监督。并且，我们引入损失函数提供地面约束，以减少反射地面可能导致的伪影。我们使用来自 GO Stanford 数据集的球面相机图像和来自 KITTI 数据集的针孔相机图像验证方法有效性，将我们所提方法在学习相机参数方面性能与基线方法比较。
引用
@article{arxiv.2110.10415,
title = {Depth360: Self-supervised Learning for Monocular Depth Estimation using Learnable Camera Distortion Model},
author = {Noriaki Hirose and Kosuke Tahara},
journal= {arXiv preprint arXiv:2110.10415},
year = {2022}
}
备注
8 pages, 6 figures, 2 tables