使用二维希尔伯特曲线在低精度设备上预测高精度深度

密集深度预测深度神经网络（DNN）在单目和双目数据上都取得了令人印象深刻的结果，但它们仍然受到高计算复杂度的限制，限制了它们在低端设备上的使用。为了获得更好的设备效率和硬件利用率，DNN的权重和激活应转换为低位精度。然而，这种精度不足以表示高动态范围深度。在本文中，我们旨在克服这一限制，从低位精度预测中恢复高精度深度。为此，我们提出将高动态范围深度表示为希尔伯特曲线的两个低动态范围分量，并训练全精度DNN直接预测后者。对于设备部署，我们使用标准量化方法，并添加一个后处理步骤，从低位精度预测的希尔伯特曲线分量中重建深度。大量实验表明，我们的方法将预测深度的位精度提高了最多三位，且计算开销很小。我们还观察到量化误差减少高达4.6倍的积极副作用。我们的方法使得在DNN权重和激活量化为八位精度的情况下实现有效且准确的深度预测。