用于改进单目深度估计的领域迁移合成数据生成
计算机视觉与模式识别
2024-05-03 v1 人工智能
图像与视频处理
摘要
开发有效的单目深度估计算法的一个主要障碍是难以获取与收集的 RGB 图像相对应的高质量深度数据。收集这些数据耗时且昂贵，甚至现代传感器收集的数据也具有有限的量程或分辨率，并且存在不一致性和噪声。为了解决这一问题，我们提出了一种使用 3D 合成环境和 CycleGAN 领域迁移在仿真中生成数据的方法。我们通过使用不同的真实和模拟数据训练集，训练基于 DenseDepth 结构的深度估计模型，将这种数据生成方法与流行的 NYUDepth V2 数据集进行了比较。我们在新收集的图像和来自 Husky 机器人的 LiDAR 深度数据上评估了模型的性能，以验证该方法的泛化能力，并表明 GAN 转换后的数据可以作为真实世界数据的有效替代，特别是在深度估计方面。
引用
@article{arxiv.2405.01113,
title = {Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation},
author = {Seungyeop Lee and Knut Peterson and Solmaz Arezoomandan and Bill Cai and Peihan Li and Lifeng Zhou and David Han},
journal= {arXiv preprint arXiv:2405.01113},
year = {2024}
}