基于隐式线索的深度估计自监督联合学习框架
计算机视觉与模式识别
2020-06-29 v3
摘要
在自监督单目深度估计中，深度不连续性和运动物体伪影仍是具有挑战性的问题。现有的自监督方法通常利用单视图来训练深度估计网络。与静态视图相比，视频帧间丰富的动态特性有利于精细的深度估计，尤其是针对动态物体。在本工作中，我们提出了一种新颖的利用单目和立体视频连续帧的深度估计自监督联合学习框架。其主要思想是使用一个隐式深度线索提取器，该提取器利用动态和静态线索生成有用的深度提议。这些线索能够预测可区分的运动轮廓和几何场景结构。此外，引入了一种新的高维注意力模块来提取清晰的全局变换，该模块有效抑制了高维空间中局部描述子的不确定性，从而在学习框架中实现更可靠的优化。实验表明，所提出的框架在 KITTI 和 Make3D 数据集上优于当前最优（SOTA）。
引用
@article{arxiv.2006.09876,
title = {Self-Supervised Joint Learning Framework of Depth Estimation via Implicit Cues},
author = {Jianrong Wang and Ge Zhang and Zhenyu Wu and XueWei Li and Li Liu},
journal= {arXiv preprint arXiv:2006.09876},
year = {2020}
}