MonoPP：基于平面视差几何的无监督度量缩放单目深度估计模型

自监督单目深度估计 (MDE) 因能直接从视频中获得深度预测而受到关注。然而，这些方法常常产生尺度不变的结果，除非提供额外的训练信号。为此，我们提出一种新颖的自监督度量缩放 MDE 模型，仅需单目视频数据及车辆的安装位置——这两种信息在现代车辆中均可轻易获取。我们的方法利用平面视差几何来重建场景结构。整个管线包括三个主要网络：多帧网络、单帧网络和姿态网络。多帧网络处理连续帧，通过平面视差几何和车辆安装位置来估计静态场景的结构。基于此重建，它作为教师网络向单帧网络传递尺度信息、被遮挡可驾驶区域、度量尺度深度以及动态物体掩码等知识。它还帮助姿态网络预测两个连续图像之间的度量尺度相对姿态。我们的方法在驾驶基准数据集 KITTI 上取得了度量尺度深度预测的状态突破性成绩。值得注意的是，我们是首次在具有挑战性的 Cityscapes 数据集上实现自监督度量尺度深度预测，展示了其有效性和通用性。