MonoIndoor：面向室内环境自监督单目深度估计的良好实践
计算机视觉与模式识别
2021-07-29 v2
摘要
室内环境的自监督深度估计至少在以下两方面比室外对应任务更具挑战性：（i）室内序列的深度范围在不同帧间变化很大，使深度网络难以归纳一致的深度线索，而室外场景的最大距离大多保持不变，因为相机通常能看到天空；（ii）室内序列包含多得多的旋转运动，给位姿网络带来困难，而室外序列的运动主要是平移的，尤其是对于 KITTI 等驾驶数据集。本文针对这些挑战做了特别考量，并总结出一套用于提升室内环境自监督单目深度估计性能的良好实践。所提方法主要包含两个新颖模块，即深度分解模块与残差位姿估计模块，各自设计以分别应对上述挑战。通过精心设计的消融研究以及在 EuRoC、NYUv2 和 7-scenes 三个室内数据集上展示的 SOTA 性能，证明了各模块的有效性。
引用
@article{arxiv.2107.12429,
title = {MonoIndoor: Towards Good Practice of Self-Supervised Monocular Depth Estimation for Indoor Environments},
author = {Pan Ji and Runze Li and Bir Bhanu and Yi Xu},
journal= {arXiv preprint arXiv:2107.12429},
year = {2021}
}
备注
ICCV 2021