基于方向感知累积卷积网络的自监督单目深度估计
计算机视觉与模式识别
2023-08-11 v1
摘要
单目深度估计被视为一个不适定任务，其中2D图像中的物体通常不包含足以预测其深度的信息。因此，它在许多方面不同于其他任务（例如分类与分割）。本文中，我们发现自监督单目深度估计在特征表示上表现出方向敏感性与环境依赖性。但当前从其他任务借用的骨干网络较少关注处理不同类型的环境信息，限制了整体的深度精度。为弥补这一差距，我们提出了一种新的方向感知累积卷积网络（DaCCN），从两方面改进深度特征表示。首先，我们提出一个方向感知模块，可学习调整各方向上的特征提取，促进不同类型信息的编码。其次，我们设计了一种新的累积卷积，以提高聚合重要环境信息的效率。实验表明，我们的方法在三个广泛使用的基准KITTI、Cityscapes和Make3D上取得了显著改进，在所有三类自监督设置下的流行基准上均确立了新的SOTA性能。
引用
@article{arxiv.2308.05605,
title = {Self-Supervised Monocular Depth Estimation by Direction-aware Cumulative Convolution Network},
author = {Wencheng Han and Junbo Yin and Jianbing Shen},
journal= {arXiv preprint arXiv:2308.05605},
year = {2023}
}
备注
ICCV2023