HQDec：基于高质量解码器的自监督单目深度估计
计算机视觉与模式识别
2023-05-31 v1
摘要
解码器在恢复场景深度中起着重要作用。然而，以往工作所用的解码器忽略了多级无损细粒度信息的传播，无法自适应地并行捕获局部与全局信息，且无法对最终输出的视差进行充分的全局统计分析。此外，从低分辨率特征空间到高分辨率特征空间的映射是一个一对多问题，可能存在多个解。因此，恢复的深度图质量较低。为此，我们提出了一种高质量解码器（HQDec），通过所提出的自适应轴向归一化位置嵌入通道注意力采样模块（AdaAxialNPCAS）获得的各级近无损细粒度信息，可利用所提出的自适应信息交换方案自适应地融入具有高层语义的低分辨率特征图中。在HQDec中，我们利用所提出的自适应细化模块（AdaRM）并行建模像素间的局部与全局依赖，并利用所提出的视差注意力模块从全局视角建模视差值分布特征。为以最大精度恢复细粒度高分辨率特征，我们将通过约束上采样解空间并利用像素间局部与全局依赖获得的高频信息，自适应地融合到由非学习方法生成的高分辨率特征图中。大量实验表明，所提各组件均较基线结果提升了深度估计结果的质量，且所开发方法在KITTI与DDAD数据集上取得了最先进（state-of-the-art）结果。代码与模型将公开于\href{https://github.com/fwucas/HQDec}{HQDec}。
引用
@article{arxiv.2305.18706,
title = {HQDec: Self-Supervised Monocular Depth Estimation Based on a High-Quality Decoder},
author = {Fei Wang and Jun Cheng},
journal= {arXiv preprint arXiv:2305.18706},
year = {2023}
}