从单幅图像推断深度分布

在为自动驾驶车辆构建几何场景理解系统时，知晓系统何时可能发生失效至关重要。大多数现有方法将问题视为深度回归，其输出为每个像素的一个深度值。此类方法无法诊断失效何时可能发生。一个有吸引力的替代方案是深度贝叶斯网络，其能捕捉模型参数与模糊传感器测量中的不确定性。然而，不确定性估计通常较慢，且分布常被限制为单模态。本文中，我们将连续的深度回归问题重新表述为离散二分类问题，其输出为每个像素上可能深度的非归一化分布。该输出使得在深度不连续和反射表面等模糊情形下，能够可靠且高效地捕捉多模态深度分布。在标准基准上的结果表明，我们的方法在接近实时的运行速度下，产生了准确的深度预测，且不确定性估计显著优于已有方法。最后，通过利用预测分布的不确定性，我们显著减少了条带状伪影，并提升了三维地图重建的精度与内存效率。