利用位移场在单目深度估计中预测清晰准确的遮挡边界
计算机视觉与模式识别
2020-05-12 v3
摘要
当前从单目图像预测深度图的方法往往对输入图像中的遮挡边界预测出平滑且定位不佳的轮廓。这是令人遗憾的，因为遮挡边界是识别物体的重要线索，并且如我们所展示的，可能提供一种从场景重建中发现新物体的途径。为了改进预测的深度图，近期方法依赖于各种形式的滤波或预测一个加性残差深度图以细化初次估计。我们则学习在给定某重建方法预测的深度图的情况下，预测一个二维位移场，能够对遮挡边界周围的像素进行重采样以获得更清晰的重建。我们的方法可以以端到端可训练的方式应用于任何深度估计方法的输出。为评估，我们手动标注了流行的 NYUv2-Depth 数据集测试划分中所有图像的遮挡边界。我们表明，对于我们能评估的所有最先进单目深度估计方法，我们的方法均改善了遮挡边界的定位，且未降低其余图像的深度精度。
引用
@article{arxiv.2002.12730,
title = {Predicting Sharp and Accurate Occlusion Boundaries in Monocular Depth Estimation Using Displacement Fields},
author = {Michael Ramamonjisoa and Yuming Du and Vincent Lepetit},
journal= {arXiv preprint arXiv:2002.12730},
year = {2020}
}
备注
Accepted to CVPR 2020