Lifelong-MonoDepth：面向多域单目度量深度估计的持续学习
计算机视觉与模式识别
2023-10-16 v3
摘要
随着自动驾驶与机器人导航的快速发展，对能够估计度量（绝对）深度的持续学习模型的需求日益增长。持续学习方法在模型训练、数据存储与采集方面具有显著的成本节约潜力。然而，RGB图像与深度图的质量依赖于传感器，且真实世界中的深度图表现出领域特异性特征，导致深度范围存在差异。这些挑战将现有方法局限于具有较小领域差距与相对深度图估计的持续学习场景。为促进度量深度的持续学习，我们识别出三个亟需关注的关键技术挑战：i) 开发能够通过尺度感知深度学习应对深度尺度变化的模型，ii) 设计处理显著领域差距的有效学习策略，iii) 创建实际应用中领域感知深度推断的自动化解决方案。基于上述考量，本文提出：i) 一个有效解决深度尺度不平衡的轻量多头框架，ii) 一个能妥善处理显著领域差距的不确定性感知持续学习方案，iii) 一种用于实时推断的在线特定领域预测器选择方法。通过大量数值实验，我们表明所提方法能实现良好的效率、稳定性与可塑性，在基准上领先 8% 至 15%。
引用
@article{arxiv.2303.05050,
title = {Lifelong-MonoDepth: Lifelong Learning for Multi-Domain Monocular Metric Depth Estimation},
author = {Junjie Hu and Chenyou Fan and Liguang Zhou and Qing Gao and Honghai Liu and Tin Lun Lam},
journal= {arXiv preprint arXiv:2303.05050},
year = {2023}
}