面向透明与镜面表面的深度估计学习
计算机视觉与模式识别
2023-07-28 v1
摘要
推断透明或镜面（ToM）表面的深度对于传感器、算法或深度网络而言都是一项艰巨挑战。我们提出了一种简单的流水线，用于通过神经网络学习对此类表面进行正确的深度估计，且无需任何真实标注。我们揭示了如何通过图像中 ToM 物体的修复（in-painting）处理并使用单目深度估计模型来获取可靠的伪标签。这些标签可用于微调现有的单目或立体网络，使其学会如何处理 ToM 表面。在 Booster 数据集上的实验结果表明，我们极其简单的方案带来了显著的改进。
引用
@article{arxiv.2307.15052,
title = {Learning Depth Estimation for Transparent and Mirror Surfaces},
author = {Alex Costanzino and Pierluigi Zama Ramirez and Matteo Poggi and Fabio Tosi and Stefano Mattoccia and Luigi Di Stefano},
journal= {arXiv preprint arXiv:2307.15052},
year = {2023}
}
备注
Accepted at ICCV 2023. Project Page: https://cvlab-unibo.github.io/Depth4ToM