基于平面与视差几何的单目深度与结构联合预测
计算机视觉与模式识别
2022-07-14 v1
摘要
有监督学习深度估计方法在高质量真值(如 LiDAR 数据)上训练时可取得良好性能。然而,LiDAR 只能生成稀疏的三维地图,导致信息丢失。获取逐像素的高质量真值深度数据十分困难。为克服该局限,我们提出一种新方法,将来自一种有前景的平面与视差(Plane and Parallax)几何流水线的结构信息与深度信息结合到一个 U-Net 监督学习网络中,相较于现有流行的基于学习的方法,在定量与定性上均有提升。具体而言,该模型在两个大规模且具有挑战性的数据集上进行了评估:KITTI Vision Benchmark 与 Cityscapes dataset,并在相对误差方面取得最佳性能。与纯深度监督模型相比,我们的模型在薄物体与边缘的深度预测上表现优异;与结构预测基线相比,我们的模型更为鲁棒。
引用
@article{arxiv.2207.06351,
title = {Joint Prediction of Monocular Depth and Structure using Planar and Parallax Geometry},
author = {Hao Xing and Yifan Cao and Maximilian Biber and Mingchuan Zhou and Darius Burschka},
journal= {arXiv preprint arXiv:2207.06351},
year = {2022}
}
备注
Pattern Recognition, May 2022