面向反射表面的鲁棒自监督单目深度估计的内在图像分解
计算机视觉与模式识别
2025-03-31 v1 机器学习
摘要
自监督单目深度估计（SSMDE）因无需深度图的标注数据而在深度学习领域受到关注。该方法通常利用从估计深度生成的合成图像与原始图像之间的光度一致性损失，以减少数据集获取的需求。然而，传统的光度一致性损失依赖于兰布尔假设，当处理偏离该模型的反射表面时，常导致显著误差。为解决此限制，我们提出一种新框架，将内在图像分解融入SSMDE。该方法联合训练单目深度估计和内在图像分解。准确的深度估计通过对齐不同视角坐标系，实现内在图像分解的多图像一致性；而分解过程则识别反射区域，排除深度训练过程中受损的梯度。此外，本框架引入伪深度生成和知识蒸馏技术，以进一步提升学生模型在反射和非反射表面上的性能。多数据集上的全面评估表明，我们的方法在深度预测方面显著优于现有的SSMDE基线，尤其在反射表面上表现更佳。
引用
@article{arxiv.2503.22209,
title = {Intrinsic Image Decomposition for Robust Self-supervised Monocular Depth Estimation on Reflective Surfaces},
author = {Wonhyeok Choi and Kyumin Hwang and Minwoo Choi and Kiljoon Han and Wonjoon Choi and Mingyu Shin and Sunghoon Im},
journal= {arXiv preprint arXiv:2503.22209},
year = {2025}
}
备注
Accepted at AAAI 2025