分离与增强：用于尺度不变自监督单目深度估计的双引擎
计算机视觉与模式识别
2023-02-21 v2
摘要
自监督场景下的单目深度估计（MDE）因无需真实深度标注而成为一种有前景的方法。尽管不断努力，MDE 仍对尺度变化敏感，尤其当所有训练样本来自同一相机时。同时，相机运动导致预测深度与尺度变化严重耦合，使其进一步恶化。在本文中，我们提出一种用于自监督 MDE 的尺度不变方法，其中尺度敏感特征（SSFs）被分离出去，而尺度不变特征（SIFs）被进一步增强。具体而言，提出一种通过模拟相机变焦过程的简单而有效的数据增强来分离 SSFs，使模型对尺度变化具有鲁棒性。此外，设计了一个动态交叉注意力模块，通过自适应融合多尺度交叉注意力特征来增强 SIFs。在 KITTI 数据集上的大量实验表明，分离与增强策略在 MDE 中相互补充，且我们的方法相对于现有工作取得了新的 SOTA 性能，绝对相对误差从 0.097 降至 0.090。代码将很快公开。
引用
@article{arxiv.2210.03952,
title = {Detaching and Boosting: Dual Engine for Scale-Invariant Self-Supervised Monocular Depth Estimation},
author = {Peizhe Jiang and Wei Yang and Xiaoqing Ye and Xiao Tan and Meng Wu},
journal= {arXiv preprint arXiv:2210.03952},
year = {2023}
}
备注
Accepted by ICLR and IEEE Robotics and Automation Letters (RAL)