面向自监督单目深度估计的遮挡感知由粗到细深度图学习
计算机视觉与模式识别
2022-09-16 v2
摘要
自监督单目深度估计旨在以自监督方式从单幅图像中学习场景深度，近年来受到广泛关注。尽管该领域已有近期努力，如何学习准确的场景深度并缓解遮挡对自监督深度估计的负面影响，仍是一个开放问题。针对此问题，我们首先对许多现有工作训练过程中广泛使用的连续与离散深度约束的效果进行实证分析。继而受上述实证分析启发，我们提出一种新颖网络用于学习面向自监督单目深度估计的遮挡感知由粗到细深度图，称为 OCFD-Net。给定任意立体图像对训练集，所提 OCFD-Net 不仅采用离散深度约束学习粗粒度深度图，还采用连续深度约束学习场景深度残差，从而得到细粒度深度图。此外，在所提 OCFD-Net 下设计了一个遮挡感知模块，能够提升所学细粒度深度图处理遮挡的能力。KITTI 上的实验结果表明，在七种常用指标下，所提方法在大多数情况下优于对比的 SOTA 方法。此外，Make3D 上的实验结果证明了所提方法在四种常用指标下的跨数据集泛化能力有效性。代码见 https://github.com/ZM-Zhou/OCFD-Net_pytorch。
引用
@article{arxiv.2203.10925,
title = {Learning Occlusion-Aware Coarse-to-Fine Depth Map for Self-supervised Monocular Depth Estimation},
author = {Zhengming Zhou and Qiulei Dong},
journal= {arXiv preprint arXiv:2203.10925},
year = {2022}
}
备注
Accepted at ACM Multimedia 2022