注意边缘：在稀疏监督单目深度估计中细化深度边缘

单目深度估计 (Monocular Depth Estimation, MDE) 是计算机视觉中的基础问题，具有众多应用。近来，LIDAR 监督方法在室外场景中取得了卓越的逐像素深度精度。然而，在深度不连续处（即深度边缘）附近通常存在显著误差，这往往阻碍了对此类不准确性敏感的依赖深度的应用（例如新视角合成与增强现实）的性能。由于稀疏基于 LIDAR 的场景中通常无法直接获得深度边缘位置的真值监督，促使 MDE 模型产生正确深度边缘并非易事。据我们所知，本文是首个针对基于 LIDAR 监督场景的深度边缘问题开展研究的尝试。本工作中，我们提出从密集监督的合成数据中学习检测深度边缘位置，并利用其为 MDE 训练中的深度边缘生成监督。为定量评估我们的方法，且因基于 LIDAR 的场景缺乏深度边缘真值 (GT)，我们手动标注了 KITTI 与 DDAD 数据集的子集并给出深度边缘真值。我们在多个具有挑战性的数据集上展示了深度边缘精度的显著提升，且逐像素深度精度相当。代码与数据集见 \url{https://github.com/liortalker/MindTheEdge}。