基于迁移学习的高质量单目深度估计
计算机视觉与模式识别
2019-03-12 v2
摘要
从图像中准确估计深度是包括场景理解与重建在内的许多应用中的一项基础任务。现有的深度估计方案常产生低分辨率的模糊近似。本文提出一种卷积神经网络，借助迁移学习从单张RGB图像计算高分辨率深度图。遵循标准编码器-解码器架构，我们利用高性能预训练网络提取的特征来初始化编码器，并结合增强与训练策略以获得更准确的结果。我们展示了即便使用非常简单的解码器，我们的方法也能得到精细的高分辨率深度图。我们的网络以更少的参数与训练迭代次数，在两个数据集上优于state-of-the-art，并生成定性上更好、更忠实捕捉物体边界的结果。代码与相应的预训练权重已公开可用。
引用
@article{arxiv.1812.11941,
title = {High Quality Monocular Depth Estimation via Transfer Learning},
author = {Ibraheem Alhashim and Peter Wonka},
journal= {arXiv preprint arXiv:1812.11941},
year = {2019}
}
备注
12 pages