自监督单目深度估计：解决边缘变粗问题
计算机视觉与模式识别
2023-01-04 v3 人工智能
机器学习
摘要
自监督单目深度估计(MDE)模型普遍遭受臭名昭著的边缘变粗问题。三元组损失作为一种广泛的度量学习策略，已在众多计算机视觉应用中大获成功。本文中，我们重新设计MDE中基于块的三元组损失，以缓解普遍存在的边缘变粗问题。我们展示了原始三元组损失在MDE中的两个缺陷，并演示了我们问题导向的重新设计。首先，我们提出一种基于最小(min.)算子的策略应用于所有负样本，以防止表现良好的负样本掩盖边缘变粗负样本的错误。其次，我们将锚点-正样本距离与锚点-负样本距离从原始三元组中分离，从而直接优化正样本而不与负样本产生任何相互影响。大量实验表明，这两种微小重新设计的组合可取得前所未有的结果：我们强大且通用的三元组损失不仅使我们的模型大幅超越此前所有SOTA，还为大量现有模型带来显著性能提升，同时完全不引入额外推理计算。
引用
@article{arxiv.2210.00411,
title = {Self-Supervised Monocular Depth Estimation: Solving the Edge-Fattening Problem},
author = {Xingyu Chen and Ruonan Zhang and Ji Jiang and Yan Wang and Ge Li and Thomas H. Li},
journal= {arXiv preprint arXiv:2210.00411},
year = {2023}
}
备注
8 pages, 7 figures, published to WACV2023