重新审视基于梯度的单目深度估计不确定性
计算机视觉与模式识别
2025-02-11 v1
摘要
单目深度估计与其他基于图像的任务类似，容易因图像中的歧义（例如由动态物体或阴影引起）而产生错误预测。因此，对于安全关键型应用，需要进行逐像素的不确定性评估，以突出预测不可靠的区域。我们以事后方式解决此问题，并为已训练好的深度估计模型引入基于梯度的不确定性估计。为了在不依赖真实深度的情况下提取梯度，我们引入了一个基于预测深度与参考深度一致性的辅助损失函数。参考深度充当伪真实值，实际上是通过简单的图像或特征增强生成的，这使得我们的方法简单而有效。为了获得最终的不确定性分数，我们使用反向传播计算相对于单层或多层特征图的导数。我们证明，我们的基于梯度的方法在使用两个标准深度估计基准 KITTI 和 NYU 进行测试时，无需重新训练即可有效确定不确定性。特别是，对于使用单目序列训练、因此最容易产生不确定性的模型，我们的方法优于相关方法。此外，我们公开提供了我们的代码和模型：https://github.com/jhornauer/GrUMoDepth
引用
@article{arxiv.2502.05964,
title = {Revisiting Gradient-based Uncertainty for Monocular Depth Estimation},
author = {Julia Hornauer and Amir El-Ghoussani and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2502.05964},
year = {2025}
}
备注
Accepted to TPAMI