用于深度与自运动自监督学习的特征度量损失
计算机视觉与模式识别
2020-07-22 v1
摘要
光度损失被广泛用于自监督深度与自运动估计。然而，由光度差异诱导的损失景观常给优化带来问题：无纹理区域像素的平坦景观，或区分度较低像素的多个局部极小。本文提出特征度量损失，并定义于特征表示之上；该特征表示同样以自监督方式学习，并由一阶与二阶导正则化，以约束损失景观形成恰当的收敛盆地。通过可视化进行的综合实验与详细分析证明了所提特征度量损失的有效性。特别地，我们的方法在 KITTI 上将深度估计的 指标从 0.885 提升至 0.925，达到最先进水平，并显著优于以往的视觉里程计方法。
引用
@article{arxiv.2007.10603,
title = {Feature-metric Loss for Self-supervised Learning of Depth and Egomotion},
author = {Chang Shu and Kun Yu and Zhixiang Duan and Kuiyuan Yang},
journal= {arXiv preprint arXiv:2007.10603},
year = {2020}
}
备注
Accepted by ECCV2020