RA-Depth：分辨率自适应的自监督单目深度估计
计算机视觉与模式识别
2022-07-27 v2
摘要
现有的自监督单目深度估计方法可摆脱昂贵的标注并取得有前景的结果。然而，这些方法在直接将固定于某分辨率训练的模型用于其他不同分辨率评估时，会出现严重的性能下降。本文通过学习场景深度的尺度不变性，提出了一种分辨率自适应的自监督单目深度估计方法（RA-Depth）。具体而言，我们提出了一种简单而高效的数据增强方法，为同一场景生成任意尺度的图像。然后，我们开发了双高分辨率网络，其使用具有密集交互的多路径编码器与解码器来聚合多尺度特征以进行精确深度推断。最后，为显式学习场景深度的尺度不变性，我们在不同尺度的深度预测上构建了跨尺度深度一致性损失。在 KITTI、Make3D 和 NYU-V2 数据集上的大量实验表明，RA-Depth 不仅达到了最先进的性能，还展现出良好的分辨率适应能力。
引用
@article{arxiv.2207.11984,
title = {RA-Depth: Resolution Adaptive Self-Supervised Monocular Depth Estimation},
author = {Mu He and Le Hui and Yikai Bian and Jian Ren and Jin Xie and Jian Yang},
journal= {arXiv preprint arXiv:2207.11984},
year = {2022}
}
备注
Accepted to ECCV'22