利用语义信息的域自适应单目深度估计

深度学习的出现为单目深度估计带来了令人印象深刻的进展，例如，有监督单目深度估计已被深入研究。然而，由于根据RGB图像收集准确的深度真值是一项耗时且昂贵的任务，RGB到深度的数据集可能并不总是大量可用。尽管可以在替代数据集上训练网络以克服数据集规模问题，但由于域差异，训练好的模型难以泛化到目标域。对抗域对齐在先前的工作中已证明其缓解简单图像分类任务上域偏移的有效性。然而，传统方法很难处理条件对齐，因为它们仅考虑网络的特征图。在本文中，我们提出了一种利用语义信息来缩小域差距的对抗训练模型。基于在包括KITTI和Cityscapes的单目深度估计任务数据集上进行的实验，所提出的紧凑模型取得了与复杂最新模型相当的最先进性能，并在远处物体的边界上显示出良好的结果。