聚焦散焦：弥合合成到真实域差距用于深度估计
计算机视觉与模式识别
2020-05-20 v1
摘要
数据驱动的深度估计方法由于真实世界场景的巨大可变性，在训练场景之外的泛化能力较弱。利用合成生成的图像可部分解决该问题，但缩小合成-真实域差距远非易事。本文中，我们通过使用域不变的散焦模糊作为直接监督来解决此问题。我们利用散焦线索，采用置换不变卷积神经网络，鼓励网络从不同聚焦点图像之间的差异中学习。我们提出的网络使用散焦图作为中间监督信号。我们能够在完全合成数据上训练模型并直接应用于广泛的真实世界图像。我们在合成与真实数据集上评估模型，展示了引人注目的泛化结果和当前最优的深度预测。
引用
@article{arxiv.2005.09623,
title = {Focus on defocus: bridging the synthetic to real domain gap for depth estimation},
author = {Maxim Maximov and Kevin Galim and Laura Leal-Taixé},
journal= {arXiv preprint arXiv:2005.09623},
year = {2020}
}
备注
CVPR 2020