基于重投影距离的鲁棒半监督单目深度估计
计算机视觉与模式识别
2019-11-20 v3
摘要
从单幅图像进行稠密深度估计是计算机视觉中的一个关键问题，在众多机器人任务中有令人振奋的应用。最初被视为直接的回归问题，训练时需要带标注标签作为监督，在过去几年中，基于强几何线索的自监督深度训练（来自立体相机以及最近来自单目视频序列）已完成大量工作。在本文中，我们研究如何将这两种方法（监督与自监督）有效结合，使深度模型能够从高稀疏监督中学习编码真实尺度，同时利用几何线索实现高保真局部精度。为此，我们提出了一种新颖的监督损失项，它补充了广泛使用的光度损失，并展示如何用它训练鲁棒的半监督单目深度估计模型。此外，我们评估了训练精确的尺度感知单目深度模型实际需要多少监督，表明在我们提出的框架下，非常稀疏的 LiDAR 信息（少至 4 束，每幅图像少于 100 个有效深度值）就足以取得与当前最先进方法竞争的结果。
引用
@article{arxiv.1910.01765,
title = {Robust Semi-Supervised Monocular Depth Estimation with Reprojected Distances},
author = {Vitor Guizilini and Jie Li and Rares Ambrus and Sudeep Pillai and Adrien Gaidon},
journal= {arXiv preprint arXiv:1910.01765},
year = {2019}
}
备注
Conference on Robot Learning (CoRL 2019)