用于鲁棒自监督单目深度估计的图像掩码方法
计算机视觉与模式识别
2023-02-02 v2
摘要
自监督单目深度估计是三维场景理解的一项重要任务。在与单目自运动估计联合学习的过程中,已有多种方法可在无标注数据情况下预测准确的逐像素深度。然而,这些方法侧重于在理想条件下提升性能,未考虑自然或数字损坏。即便针对物体特定深度估计,也普遍假设不存在遮挡。这些方法还易受对抗攻击,这对于其在机器人与自动驾驶系统中的可靠部署是切实隐患。我们提出MIMDepth,一种将掩码图像建模(MIM)应用于自监督单目深度估计的方法。尽管MIM已在预训练中学习可泛化特征,我们展示了如何将其改造用于单目深度估计的直接训练。实验表明,MIMDepth对噪声、模糊、天气条件、数字伪影、遮挡以及非定向与定向对抗攻击均更具鲁棒性。
引用
@article{arxiv.2210.02357,
title = {Image Masking for Robust Self-Supervised Monocular Depth Estimation},
author = {Hemang Chawla and Kishaan Jeeveswaran and Elahe Arani and Bahram Zonooz},
journal= {arXiv preprint arXiv:2210.02357},
year = {2023}
}
备注
Accepted at 2023 IEEE International Conference on Robotics and Automation (ICRA)