用于单视图深度与表面法线估计的自监督学习
计算机视觉与模式识别
2019-03-04 v1
摘要
本工作中我们提出一种自监督学习框架，用于同时训练两个卷积神经网络（CNNs）从单幅图像预测深度和表面法线。与大多数将室外场景表示为分段平滑深度处正面平行平面的现有框架不同，我们提出在假设自然场景具有分段平滑法线的同时，结合表面朝向预测深度。我们表明，将简单的深度-法线一致性作为对预测的软约束，足以有效地同时训练这两个网络。训练后的法线网络提供了最先进的预测，而深度网络依托更真实的平滑法线假设，在 KITTI 基准上大幅优于传统的自监督深度预测网络。演示视频：https://youtu.be/ZD-ZRsw7hdM
引用
@article{arxiv.1903.00112,
title = {Self-supervised Learning for Single View Depth and Surface Normal Estimation},
author = {Huangying Zhan and Chamara Saroj Weerasekera and Ravi Garg and Ian Reid},
journal= {arXiv preprint arXiv:1903.00112},
year = {2019}
}
备注
6 pages, 3 figures, ICRA 2019