关于自监督单目深度估计的不确定性
计算机视觉与模式识别
2020-05-14 v1
摘要
自监督单目深度估计范式非常引人注目，因为它们完全不需要真实标注。尽管此类方法取得了惊人的结果，但学习对估计深度图的不确定性进行推理对于实际应用至关重要，然而文献中尚未涉及。为此，我们首次探索如何估计该任务的不确定性及其如何影响深度精度，提出了一种专为自监督方法设计的新型特殊技术。在标准的 KITTI 数据集上，我们用不同的自监督范式详尽评估了每种方法的性能。该评估突出表明，我们的方案 i) 始终显著提升深度精度，且 ii) 在基于序列训练时取得了关于不确定性估计的 state-of-the-art 结果，并在仅使用立体图像对时取得了有竞争力的结果。
引用
@article{arxiv.2005.06209,
title = {On the uncertainty of self-supervised monocular depth estimation},
author = {Matteo Poggi and Filippo Aleotti and Fabio Tosi and Stefano Mattoccia},
journal= {arXiv preprint arXiv:2005.06209},
year = {2020}
}
备注
CVPR 2020. Code will be available https://github.com/mattpoggi/mono-uncertainty