正则化夜间异常：暗光下高效自监督单目深度估计
计算机视觉与模式识别
2021-08-16 v2
摘要
单目深度估计旨在从单幅图像或视频预测深度。近来，自监督方法因无需深度标注且在多个日间基准上取得令人印象深刻的性能而备受关注。然而，在更具挑战性的夜间场景中，由于低可见度与变化光照分别带来弱纹理与破坏亮度一致性假设，它们会产生异常输出。为解决这些问题，本文提出一种带有若干改进的新框架：（1）引入基于先验的正则化，从非配对深度图学习分布知识，防止模型被错误训练；（2）利用映射一致的图像增强模块提升图像可见度与对比度，同时保持亮度一致性；（3）提出基于统计的掩码策略，使用动态统计调整无纹理区域内移除像素的数量。实验结果证明了各组件的有效性。同时，我们的框架在两个夜间数据集上取得显著提升及最先进的（SOTA）结果。
引用
@article{arxiv.2108.03830,
title = {Regularizing Nighttime Weirdness: Efficient Self-supervised Monocular Depth Estimation in the Dark},
author = {Kun Wang and Zhenyu Zhang and Zhiqiang Yan and Xiang Li and Baobei Xu and Jun Li and Jian Yang},
journal= {arXiv preprint arXiv:2108.03830},
year = {2021}
}
备注
Accepted by ICCV 2021