基于自参考蒸馏与视差偏移细化的自监督单目深度估计
计算机视觉与模式识别
2023-06-16 v2
摘要
单目深度估计在计算机视觉中起着基础性作用。由于深度真值获取成本高昂，利用相邻帧建立监督信号的自监督方法已成为最有前景的范式。本文提出两个新思路以改进自监督单目深度估计：1）自参考蒸馏；2）视差偏移细化。具体而言，我们使用参数优化的模型作为教师模型，并随训练轮次更新，在训练过程中提供额外监督。教师模型与学生模型结构相同，权重继承自历史学生模型。此外，引入多视图检验以滤除教师模型产生的离群值。进而，我们利用高尺度与低尺度特征间的上下文一致性获取多尺度视差偏移，通过在不同尺度对齐视差信息来逐步细化视差输出。在KITTI与Make3D数据集上的实验表明，本方法优于以往最先进的同类方法。
引用
@article{arxiv.2302.09789,
title = {Self-Supervised Monocular Depth Estimation with Self-Reference Distillation and Disparity Offset Refinement},
author = {Zhong Liu and Ran Li and Shuwei Shao and Xingming Wu and Weihai Chen},
journal= {arXiv preprint arXiv:2302.09789},
year = {2023}
}