从大到小：用于单目深度估计的多尺度局部平面引导
计算机视觉与模式识别
2021-09-24 v6
摘要
从单张图像估计精确深度是一项具有挑战性的任务，因为这是一个不适定问题，无数个 3D 场景都可以投影到同一个 2D 场景。然而，近期基于深度卷积神经网络的工作取得了巨大进展，给出了合理的结果。卷积神经网络通常由两部分组成：用于密集特征提取的编码器和用于预测所需深度的解码器。在编码器-解码器方案中，重复的跨步卷积和空间池化层降低了中间输出的空间分辨率，同时采用了跳跃连接或多层反卷积网络等技术来恢复原始分辨率，以实现有效的密集预测。在本文中，为了更有效地将密集编码特征引导至所需的深度预测，我们提出了一种网络架构，在解码阶段的多个阶段利用新颖的局部平面引导层。我们表明，在具有挑战性的基准上进行评估，所提方法以显著优势优于现有最先进的工作。我们还提供了消融研究的结果，以验证所提方法的有效性。
引用
@article{arxiv.1907.10326,
title = {From Big to Small: Multi-Scale Local Planar Guidance for Monocular Depth Estimation},
author = {Jin Han Lee and Myung-Kyu Han and Dong Wook Ko and Il Hong Suh},
journal= {arXiv preprint arXiv:1907.10326},
year = {2021}
}