面向鲁棒单目深度估计的分层归一化方法
计算机视觉与模式识别
2022-10-19 v1
摘要
本文研究基于深度神经网络的单目深度估计。为利用多源数据集训练深度单目估计模型，现有最优方法采用图像级归一化策略生成仿射不变深度表示。然而，基于图像级归一化的学习主要强调像素表示与图像全局统计（如场景结构）之间的关系，而可能忽略细粒度深度差异。本文提出一种新颖的多尺度深度归一化方法，基于空间信息与深度分布对深度表示进行分层归一化。与以往仅在整体图像级应用的归一化策略相比，所提分层归一化能有效保留细粒度细节并提升精度。我们提出两种策略，分别在深度域和空间域中定义分层归一化上下文。大量实验表明，所提归一化策略显著优于以往归一化方法，并在五个零样本迁移基准数据集上取得了新的最优（state-of-the-art）结果。
引用
@article{arxiv.2210.09670,
title = {Hierarchical Normalization for Robust Monocular Depth Estimation},
author = {Chi Zhang and Wei Yin and Zhibin Wang and Gang Yu and Bin Fu and Chunhua Shen},
journal= {arXiv preprint arXiv:2210.09670},
year = {2022}
}
备注
Accepted to NeurIPS 2022