通过连续三维损失进行单目深度预测
计算机视觉与模式识别
2020-08-11 v2
摘要
本文报告了一种用于从单目图像学习深度的新连续三维损失函数。单目图像的稠密深度预测使用稀疏 LIDAR 点进行监督，这使我们能够在训练期间利用带有相机-LIDAR 传感器套件的可用开源数据集。目前，准确且负担得起的测距传感器尚不易获得。立体相机和 LIDAR 测量深度要么不准确，要么稀疏/昂贵。与当前逐点损失评估方法相比，所提出的三维损失将点云视为连续对象；因此，它弥补了因 LIDAR 稀疏测量导致的稠密真实深度缺失。我们将所提损失应用于三种最先进的单目深度预测方法 DORN、BTS 和 Monodepth2。实验评估表明，与所有测试的基线相比，所提损失提高了深度预测精度并生成具有更一致三维几何结构的点云，意味着所提损失对通用深度预测网络的有益作用。本工作的视频演示可在 https://youtu.be/5HL8BjSAY4Y 获取。
引用
@article{arxiv.2003.09763,
title = {Monocular Depth Prediction through Continuous 3D Loss},
author = {Minghan Zhu and Maani Ghaffari and Yuanxin Zhong and Pingping Lu and Zhong Cao and Ryan M. Eustice and Huei Peng},
journal= {arXiv preprint arXiv:2003.09763},
year = {2020}
}
备注
8 pages, 4 figures. Accepted by IROS 2020