GANVO：基于生成对抗网络的无监督深度单目视觉里程计与深度估计
机器学习
2020-03-09 v3 计算机视觉与模式识别
机器学习
摘要
在过去十年中，监督式深度学习方法被广泛应用于视觉里程计（VO）应用，但在标注数据不丰富的环境中并不可行。另一方面，从无标注数据中实现未知环境定位与建图的无监督深度学习方法在 VO 研究中受到的关注相对较少。在本研究中，我们提出一种生成式无监督学习框架，利用深度卷积生成对抗网络（GANs）从非标注 RGB 图像序列中预测 6 自由度位姿相机运动与场景的单目深度图。我们通过扭曲视角序列并赋予重投影最小化至目标损失函数，来创建监督信号，该损失函数被用于多视角位姿估计与单视角深度生成网络。在 KITTI 与 Cityscapes 数据集上对所提框架的详细定量与定性评估表明，该方法优于现有传统与无监督深度 VO 方法，在位姿估计与深度恢复上均提供更优结果。
引用
@article{arxiv.1809.05786,
title = {GANVO: Unsupervised Deep Monocular Visual Odometry and Depth Estimation with Generative Adversarial Networks},
author = {Yasin Almalioglu and Muhamad Risqi U. Saputra and Pedro P. B. de Gusmao and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:1809.05786},
year = {2020}
}
备注
ICRA 2019 - accepted