逆转循环：通过增强型单目蒸馏的自监督深度立体匹配
计算机视觉与模式识别
2020-08-18 v1
摘要
在许多领域，自监督学习方案正快速发展并缩小与有监督方法的差距。基于单目或立体的深度估计正是如此，而后者常为有前者提供有效的自监督来源。相反，为缓解典型立体伪影，我们提出一种逆转二者联系的新颖自监督范式。为此，为训练深度立体网络，我们通过单目补全网络蒸馏知识。该架构利用单图像线索与少量由传统立体算法提供的稀疏点，借助对多次估计的共识机制来估计稠密且精确的视差图。我们使用流行立体数据集彻底评估了不同监督信号的影响，表明以我们的范式训练的立体网络优于现有自监督框架。最后，我们的方案在处理域偏移问题时实现了显著的泛化能力。代码见 https://github.com/FilippoAleotti/Reversing
引用
@article{arxiv.2008.07130,
title = {Reversing the cycle: self-supervised deep stereo through enhanced monocular distillation},
author = {Filippo Aleotti and Fabio Tosi and Li Zhang and Matteo Poggi and Stefano Mattoccia},
journal= {arXiv preprint arXiv:2008.07130},
year = {2020}
}
备注
ECCV 2020