面向轻量化自监督单目深度估计的边引导遮挡渐隐抑制
计算机视觉与模式识别
2019-11-27 v1
摘要
自监督单目深度估计方法通常因缺乏逐像素真值的监督而遭受遮挡渐隐问题。尽管 Godard 等人提出了一种后处理方法来减轻遮挡渐隐，但补偿结果存在严重的光晕效应。本文中，我们提出一种新颖的边引导后处理方法来减轻自监督单目深度估计的遮挡渐隐问题。我们进一步将空洞空间金字塔池化（ASPP）引入网络以降低计算成本并提升推理性能。所提出的基于 ASPP 的网络比当前常用深度估计网络更轻、更快且更优。该轻量网络仅需 810 万参数，并在单块 nVIDIA GTX1080 GPU 上推理阶段对 256×512 输入可达每秒 40 帧。所提网络在 KITTI 基准上也优于当前最先进水平。基于 ASPP 的网络与边引导后处理在定量与定性上均产生优于竞争对手的结果。
引用
@article{arxiv.1911.11705,
title = {Edge-Guided Occlusion Fading Reduction for a Light-Weighted Self-Supervised Monocular Depth Estimation},
author = {Kuo-Shiuan Peng and Gregory Ditzler and Jerzy Rozenblit},
journal= {arXiv preprint arXiv:1911.11705},
year = {2019}
}