基于自监督实例适应的单目深度估计
计算机视觉与模式识别
2020-04-14 v1 机器学习
摘要
自监督学习的最新进展表明，无需任何 3D 真值监督，即可从原始视频数据中学习准确的单目深度重建。然而，在机器人应用中，根据机器人动作的不同，场景的多视图可能可用也可能不可用，从而在单目与多视图重建之间切换。为应对这一混合设定，我们提出一种新方法，将任何现成的自监督单目深度重建系统扩展至在测试时使用多于一幅图像。我们的方法构建于为执行单目重建而学习的标准先验之上，但在测试时利用自监督来进一步提升多图像可用时的重建精度。当用于更新模型的正确分量时，该方法极为有效。在标准 KITTI 基准上，我们的自监督方法在三种常见设定（单目、立体与单目+立体）下均以平均 25% 的绝对误差降低持续优于以往所有方法，且与全监督 SOTA 方法相比精度非常接近。
引用
@article{arxiv.2004.05821,
title = {Monocular Depth Estimation with Self-supervised Instance Adaptation},
author = {Robert McCraith and Lukas Neumann and Andrew Zisserman and Andrea Vedaldi},
journal= {arXiv preprint arXiv:2004.05821},
year = {2020}
}
备注
IROS submission, 7 pages