挖掘自监督单目深度估计的潜在能力
计算机视觉与模式识别
2021-09-28 v1 人工智能
摘要
自监督方法因其巨大潜力和低标注成本，在单目深度估计中发挥着越来越重要的作用。为缩小与监督方法的差距，近期工作利用了额外的约束，例如语义分割。然而，这些方法不可避免地会增加模型的负担。在本文中，我们给出了理论与经验证据，表明自监督单目深度估计的潜在能力可以在不增加该成本的情况下被挖掘。具体而言，我们提出：(1) 一种称为数据嫁接(data grafting)的新型数据增强方法，它迫使模型探索除垂直图像位置之外的更多线索来推断深度；(2) 一种探索性自蒸馏损失，由我们的新后处理方法——选择性后处理生成的自蒸馏标签监督；(3) 全尺度网络，旨在赋予编码器以深度估计任务的专业化并增强模型的表征能力。大量实验表明，我们的贡献能为基线带来显著的性能提升，且计算开销更小；我们命名为 EPCDepth 的模型甚至超越了先前的最优(state-of-the-art)方法，包括那些受额外约束监督的方法。
引用
@article{arxiv.2109.12484,
title = {Excavating the Potential Capacity of Self-Supervised Monocular Depth Estimation},
author = {Rui Peng and Ronggang Wang and Yawen Lai and Luyang Tang and Yangang Cai},
journal= {arXiv preprint arXiv:2109.12484},
year = {2021}
}
备注
ICCV 2021 Accepted