扩展范围的无监督单目深度估计
计算机视觉与模式识别
2020-06-24 v1
摘要
无监督深度学习方法在单图像深度估计中已展现出良好性能。由于此类方法多利用双目立体像对进行自监督，其深度范围通常受限。小基线立体像对提供较小深度范围但能较好处理遮挡；反之，宽基线装置获取的立体图像在近距离引起遮挡相关误差，但在远距离深度估计表现良好。本文提出融合小基线与宽基线二者优势。通过以三视水平对齐视图训练网络，我们在近距与远距均获得准确深度预测。该策略可从单幅图像推断多基线深度，不同于以往需多于两台相机的多基线系统。定性与定量结果表明多基线方法优于先前基于立体的单目方法。对于 0.1 至 80 米深度范围，相较 Monodepth2，本方法将深度绝对相对误差降低 24%。本方法在单块 Nvidia1080 GPU 上达 21 帧每秒，具实用价值。
引用
@article{arxiv.2006.12791,
title = {Increased-Range Unsupervised Monocular Depth Estimation},
author = {Saad Imran and Muhammad Umar Karim Khan and Sikander Bin Mukarram and Chong-Min Kyung},
journal= {arXiv preprint arXiv:2006.12791},
year = {2020}
}