MonoProb：具有可解释不确定性的自监督单目深度估计
计算机视觉与模式识别
2023-11-14 v1
摘要
自监督单目深度估计方法旨在用于自动驾驶车辆等对环境分析的关键应用中。为规避这些方法的潜在缺陷，对预测置信度的量化对于依赖深度估计的决策系统至关重要。本文提出 MonoProb，一种返回可解释不确定性的无监督单目深度估计新方法，即该不确定性反映了网络在其深度预测中的期望误差。我们将用于训练无监督单目深度模型的立体或运动恢复结构范式重新视为概率问题。在单次前向推理中，该模型提供深度预测及其置信度度量，且不增加推理时间。随后，我们通过一种新颖的自蒸馏损失提升深度与不确定性的性能，其中学生由教师输出的深度上的概率分布作为伪真值进行监督。为量化模型性能，我们设计了新指标，与传统指标不同，其度量不确定性预测的绝对性能。我们的实验凸显了该方法在标准深度与不确定性指标以及我们定制指标上所取得的提升。https://github.com/CEA-LIST/MonoProb
引用
@article{arxiv.2311.06137,
title = {MonoProb: Self-Supervised Monocular Depth Estimation with Interpretable Uncertainty},
author = {Rémi Marsal and Florian Chabot and Angelique Loesch and William Grolleau and Hichem Sahbi},
journal= {arXiv preprint arXiv:2311.06137},
year = {2023}
}
备注
Accepted at WACV 2024