用于自监督深度预测的改进型点变换方法
计算机视觉与模式识别
2021-02-19 v1 机器人学
摘要
给定立体或自运动图像对，一种流行且成功的无监督学习单目深度估计的方法，是度量由学习到的深度预测所产生的图像重建质量。近年来持续的研究改进了整体方法，但通用框架仍存在若干重要局限，特别是在处理变换到新视角后被遮挡的点时。虽然先前工作以启发式方法解决了该问题，本文引入了一种 z-buffering（深度缓冲）算法，可正确且高效地处理被遮挡的点。由于我们的算法使用机器学习库典型的算子实现，它可被纳入任何现有的无监督深度学习框架，并自动支持微分。此外，由于变换后具有负深度的点往往意味着错误过浅的深度预测，我们引入了一种损失函数以显式惩罚这一不良行为。在 KITTI 数据集上的实验结果表明，z-buffer 与负深度损失均提升了最先进深度预测网络的性能。
引用
@article{arxiv.2102.09142,
title = {Improved Point Transformation Methods For Self-Supervised Depth Prediction},
author = {Chen Ziwen and Zixuan Guo and Jerod Weinman},
journal= {arXiv preprint arXiv:2102.09142},
year = {2021}
}