用于自监督单目深度估计的自蒸馏特征聚合
计算机视觉与模式识别
2022-09-16 v1
摘要
自监督单目深度估计近期在计算机视觉中受到广泛关注。现有文献中的大多数工作通过直接拼接或逐元素相加来聚合多尺度特征以预测深度，然而此类特征聚合操作通常忽略了多尺度特征间的上下文一致性。针对该问题，我们提出自蒸馏特征聚合（SDFA）模块，用于同时聚合一对低尺度与高尺度特征并保持其上下文一致性。SDFA 采用三个分支分别学习三个特征偏移图：一个偏移图用于细化输入低尺度特征，另两个用于在所设计的自蒸馏方式下细化输入高尺度特征。接着，我们提出一种基于 SDFA 的网络用于自监督单目深度估计，并设计了一种自蒸馏训练策略来训练带 SDFA 模块的该网络。在 KITTI 数据集上的实验结果表明，所提方法在大多数情况下优于对比的当前最优方法。代码见 https://github.com/ZM-Zhou/SDFA-Net_pytorch。
引用
@article{arxiv.2209.07088,
title = {Self-distilled Feature Aggregation for Self-supervised Monocular Depth Estimation},
author = {Zhengming Zhou and Qiulei Dong},
journal= {arXiv preprint arXiv:2209.07088},
year = {2022}
}
备注
Accepted to ECCV 2022