FusionDepth：以代价体补充自监督单目深度估计
计算机视觉与模式识别
2023-05-11 v1
摘要
基于代价体的多视立体深度估计通常优于自监督单目深度估计，但在运动物体与低纹理表面上例外。因此，本文提出一种多帧深度估计框架，其中单目深度可通过多帧时序约束在若干次迭代内由贝叶斯融合层持续细化。单目与多视网络均可在无深度监督下训练。我们的方法在将单目估计与多视代价体结合时也增强了可解释性。详细实验表明，在 KITTI 基准上，我们的方法在测试时优于利用单帧或多帧的 SOTA 无监督方法。
引用
@article{arxiv.2305.06036,
title = {FusionDepth: Complement Self-Supervised Monocular Depth Estimation with Cost Volume},
author = {Zhuofei Huang and Jianlin Liu and Shang Xu and Ying Chen and Yong Liu},
journal= {arXiv preprint arXiv:2305.06036},
year = {2023}
}