MetricDepth：利用深度度量学习增强单目深度估计
计算机视觉与模式识别
2024-12-31 v1
摘要
深度度量学习旨在依据类别标签的一致性或差异性来学习特征。然而，在单目深度估计中，由于缺乏自然的类别定义，使得在利用深度度量学习方面存在挑战。为了解决这一问题，本文提出了 MetricDepth，这是一种新颖的方法，通过集成深度度量学习来增强单目深度估计的性能。为克服以往深度度量学习方法中基于类别的样本识别方式在单目深度估计任务中的不适用性，我们设计了基于差分的样本识别方法。这种创新方法通过样本相对于锚点的深度差分来识别特征样本的不同类型，从而为单目深度估计模型的特征正则化奠定了基础。基于这一进步，我们进一步解决了单目深度估计中标注范围广泛且连续性带来的关键问题。广泛且连续的标注导致锚点特征的负样本差分呈现多样化，代表了负样本在特征正则化期间的不同影响。鉴于以往深度度量学习方法在处理单目深度估计任务中负样本时使用的统一策略的不足，本文提出了多范围策略。通过根据深度差分范围进一步区分负样本并实施不同的正则化措施，我们的多范围策略促进了锚点特征及其负样本之间具有差异化的正则化交互作用。跨越各种数据集和模型类型的实验表明，MetricDepth 的有效性和通用性，确认了其在单目深度估计任务中提升性能的潜力。
引用
@article{arxiv.2412.20390,
title = {MetricDepth: Enhancing Monocular Depth Estimation with Deep Metric Learning},
author = {Chunpu Liu and Guanglei Yang and Wangmeng Zuo and Tianyi Zan},
journal= {arXiv preprint arXiv:2412.20390},
year = {2024}
}