面向单目深度估计的几何感知对称域自适应
计算机视觉与模式识别
2019-04-04 v1
摘要
由于深度网络架构的进步，有监督深度估计已取得高精度。由于真实深度标签难以获取，近期方法试图通过探索无监督线索以无监督方式学习深度估计网络，这些方法有效但不如真值标签可靠。解决此困境的新兴途径是通过域自适应技术从带有真值深度的合成图像迁移知识。然而，这些方法忽视了目标域（即真实数据）自然图像特定的几何结构，而这对高性能深度预测十分重要。受此观察启发，我们提出几何感知对称域自适应框架（GASDA），联合利用合成数据中的标签与真实数据中的对极几何。此外，通过在端到端网络中对称训练两个图像风格翻译器与深度估计器，我们的模型实现了更好的图像风格迁移并生成高质量深度图。实验结果证明了所提方法的有效性以及与最先进方法相当的性能。代码将公开于：https://github.com/sshan-zhao/GASDA。
引用
@article{arxiv.1904.01870,
title = {Geometry-Aware Symmetric Domain Adaptation for Monocular Depth Estimation},
author = {Shanshan Zhao and Huan Fu and Mingming Gong and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.01870},
year = {2019}
}
备注
CVPR 2019