RealMonoDepth：面向通用场景的自监督单目深度估计
计算机视觉与模式识别
2020-04-15 v1
摘要
我们提出了一种通用的自监督学习方法，用于从1至数百米不同深度范围的场景中进行单目真实深度估计。现有的单目深度估计监督方法需要准确的深度测量用于训练。这一限制导致了自监督方法的引入，这些方法在具有固定相机基线的立体图像对上训练以估计视差，并在已知标定下转换为深度。自监督方法已展示出令人印象深刻的成果，但无法泛化到具有不同深度范围或相机基线的场景。在本文中，我们介绍RealMonoDepth，一种自监督单目深度估计方法，它学习为多样的室内外场景估计真实场景深度。提出了一种基于相对深度缩放与变形的针对真实场景深度的新颖损失函数。这使得可以使用多个数据集对单一网络进行自监督训练，以处理来自立体对和野外部署移动相机数据集的多样深度范围场景。在五个基准数据集上的综合性能评估表明，RealMonoDepth提供了一个单一训练网络，可泛化室内外场景的深度估计，并持续优于先前的自监督方法。
引用
@article{arxiv.2004.06267,
title = {RealMonoDepth: Self-Supervised Monocular Depth Estimation for General Scenes},
author = {Mertalp Ocal and Armin Mustafa},
journal= {arXiv preprint arXiv:2004.06267},
year = {2020}
}