深入自监督单目深度估计
计算机视觉与模式识别
2019-08-20 v4 机器学习
摘要
逐像素真实深度数据难以大规模获取。为克服这一限制，自监督学习已成为训练模型执行单目深度估计的一种有前景的替代方案。本文中，我们提出一组改进措施，与竞争的自监督方法相比，它们共同带来了定量和定性上均更优的深度图。关于自监督单目训练的研究通常探索日益复杂的架构、损失函数和图像形成模型，这些近期都有助于缩小与全监督方法的差距。我们表明，一个出奇简单的模型及相关的设计选择，可带来更优的预测。具体而言，我们提出 (i) 一个最小重投影损失，旨在鲁棒地处理遮挡；(ii) 一种全分辨率多尺度采样方法，可减少视觉伪影；(iii) 一个自动掩码损失，以忽略违背相机运动假设的训练像素。我们分别展示了各组件的有效性，并展示了在 KITTI 基准上高质量、最先进（state-of-the-art）的结果。
引用
@article{arxiv.1806.01260,
title = {Digging Into Self-Supervised Monocular Depth Estimation},
author = {Clément Godard and Oisin Mac Aodha and Michael Firman and Gabriel Brostow},
journal= {arXiv preprint arXiv:1806.01260},
year = {2019}
}
备注
ICCV 19