Mono-SF：多视图几何结合单视图深度用于动态交通场景的单目场景流估计
计算机视觉与模式识别
2019-08-20 v1
摘要
现有的 3D 场景流估计方法提供场景的 3D 几何与 3D 运动，并获得了大量关注，例如在自动驾驶背景下。这些传统方法基于立体图像的时间序列。本文中，我们提出一种称为 Mono-SF 的新型单目 3D 场景流估计方法。Mono-SF 通过结合多视图几何与单视图深度信息，联合估计场景的 3D 结构与运动。Mono-SF 认为，基于多视图几何原理将参考图像扭曲至后续图像时，场景流应保持一致。为以统计方式整合单视图深度，我们提出了一种称为 ProbDepthNet 的卷积神经网络。ProbDepthNet 从单幅图像估计逐像素深度分布而非单一深度值。此外，作为 ProbDepthNet 的一部分，提出了一种用于回归问题的新型重标定技术以确保良好校准的分布。我们的实验表明 Mono-SF 优于最先进的单目基线，且消融研究支持了 Mono-SF 方法与 ProbDepthNet 设计。
引用
@article{arxiv.1908.06316,
title = {Mono-SF: Multi-View Geometry Meets Single-View Depth for Monocular Scene Flow Estimation of Dynamic Traffic Scenes},
author = {Fabian Brickwedde and Steffen Abraham and Rudolf Mester},
journal= {arXiv preprint arXiv:1908.06316},
year = {2019}
}
备注
accepted to IEEE International Conference on Computer Vision 2019 (ICCV 2019)