学立体，推单目：用于自监督单目深度估计的孪生网络
计算机视觉与模式识别
2019-05-02 v1
摘要
自监督单目深度估计领域近年来取得巨大进展。多数方法假设训练时可用立体数据，但通常未充分利用，仅将其作为参考信号。我们提出一种新颖的自监督方法，在训练时同等使用左右图像，但在测试时仍可用单张输入图像进行单目深度估计。我们的孪生网络架构由两个孪生网络组成，各自学习从单幅图像预测视差图。然而在测试时，仅使用其中之一的网络来推断深度。我们在标准 KITTI Eigen 划分基准上展示了最先进的成果，并且是在新 KITTI 单视图基准上得分最高的自监督方法。为证明我们的方法泛化到新数据集的能力，我们进一步给出在 Make3D 基准上的结果，该基准在训练时未被使用。
引用
@article{arxiv.1905.00401,
title = {Learn Stereo, Infer Mono: Siamese Networks for Self-Supervised, Monocular, Depth Estimation},
author = {Matan Goldman and Tal Hassner and Shai Avidan},
journal= {arXiv preprint arXiv:1905.00401},
year = {2019}
}