通过再平衡梯度来提高自监督深度、odometry 和光流预测的 co-training
计算机视觉与模式识别
2026-05-11 v1
摘要
我们提出 CoopNet 方法，通过动态调整梯度的分配来确保各网络学习进度的公平，从而提高 co-train 网络的合作效果。它应用于 motion-aware 自监督深度图预测，引入一种新的混合损失，基于光度重构误差分布模型，其中一方为 depth + odometry 配对网络，另一方为光流网络。该模型本质上假设，来自移动物体的像素（必须被丢弃用于训练 depth 和 odometry）对应于两个重构在这些像素上强烈不一致的地方。我们通过理论考虑和实验证据论证了该模型。在 KITTI 和 CityScapes 数据集上的比较评估表明，CoopNet 在深度、odometry 和光流预测方面均优于或相当于当前最先进的方法。
关键词
引用
@article{arxiv.2605.07945,
title = {Rebalancing gradient to improve self-supervised co-training of depth, odometry and optical flow predictions},
author = {Marwane Hariat and Antoine Manzanera and David Filliat},
journal= {arXiv preprint arXiv:2605.07945},
year = {2026}
}