EC-Depth：在复杂场景中探索自监督单目深度估计的一致性
计算机视觉与模式识别
2024-03-19 v2
摘要
自监督单目深度估计在自动驾驶和机器人领域具有重要意义。然而，现有方法通常在标准数据集上训练和测试，忽视了现实应用中普遍存在的各种恶劣条件（如雨天）的影响。因此，常见观察到这些方法难以处理这些复杂场景。为解决此问题，我们提出 EC-Depth，一种新颖的自监督两阶段框架，以实现鲁棒的深度估计。在第一阶段，我们提出深度一致性正则化，将可靠的监督从标准场景传播到复杂场景。在第二阶段，我们采用 Mean Teacher 范式并提出一种新颖的基于一致性的伪标签过滤策略，以提高伪标签质量，进一步提升模型的准确性和鲁棒性。大量实验表明，我们的方法在标准与复杂场景下均能实现准确且一致的深度预测，在 KITTI、KITTI-C、DrivingStereo 和 NuScenes-Night 基准上超越了现有的 SOTA 方法。
引用
@article{arxiv.2310.08044,
title = {EC-Depth: Exploring the consistency of self-supervised monocular depth estimation in challenging scenes},
author = {Ziyang Song and Ruijie Zhu and Chuxin Wang and Jiacheng Deng and Jianfeng He and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2310.08044},
year = {2024}
}
备注
Project page: https://ruijiezhu94.github.io/ECDepth_page