无纹理室内旋转场景的自监督单目深度估计

自监督深度学习方法已利用立体图像来训练单目深度估计。尽管这些方法在 KITTI 等室外数据集上表现出色，但在存在相机旋转的室内环境中，其性能仍不及有监督方法。室内旋转场景在约束较少的应用中十分常见，并带来两方面问题：低纹理区域众多，以及旋转图像下深度线索的复杂性增加。为了将自监督学习扩展到更通用的环境，我们提出了两项改进。首先，我们提出一种新颖的填充视差损失（Filled Disparity Loss）项，用于纠正无纹理区域中图像重建误差损失的歧义。具体而言，我们利用周围有纹理区域估计出的视差，在无纹理区域进行视差插值，并使用 L1 损失来修正原始估计。我们的实验表明，与 Godard 等人提出的 Monodepth 相比，低纹理场景下的深度估计得到显著改善，而在有纹理场景上无任何性能损失。其次，我们表明，使用某应用代表性的俯仰与翻滚旋转进行训练，足以在整个预期旋转范围内显著提升性能。我们证明，当在无相机旋转的测试集上评估时，深度估计成功实现了泛化，性能未出现下降。这些进展共同使得自监督单目深度估计在复杂环境中的更广泛应用成为可能。