大尺寸注意力下的自监督单目深度估计

自监督单目深度估计因不依赖标记训练数据而成为一种有前景的 method。大多数 method 结合卷积和 Transformer 来建模长程依赖，以准确估计深度。然而，Transformer 将 2D 图像特征视为 1D 序列，位置编码虽能一定程度缓解不同特征块之间空间信息的损失，却倾向于忽视通道特征，这限制了深度估计的性能。本文提出一种自监督单目深度估计网络以获取更细致的细节。具体而言，我们提出一种基于大尺寸注意力的解码器，能够在不损失二维特征结构的前提下建模长程依赖，同时保持特征通道的适应性。此外，我们引入一个上采样模块，以准确恢复深度图中的细节。我们的方法在 KITTI 数据集上取得了竞争性的结果。