自监督单目深度提示

单目深度估计器可以利用双目立体数据进行多种形式的自监督训练，从而规避对高质量激光扫描或其他真值数据的需求。然而，其缺点在于自监督学习所使用的光度重投影损失通常存在多个局部极小值。这些看似合理的真值替代方案会限制回归网络的学习内容，导致其预测的深度图质量有限。一个突出的例子是，当前最先进的方法常常错误估计薄结构周围的深度不连续性。本文研究了基于立体自监督的深度预测中存在的重投影歧义性问题，并引入深度提示（Depth Hints）来减轻其影响。深度提示是从简单的现成立体算法中获得的补充性深度建议。这些提示增强了现有的光度损失函数，并用于引导网络学习更好的权重。它们不需要额外数据，且仅被假定为有时是正确的。我们证明，使用我们的深度提示在训练多个领先的基于立体自监督的模型（不仅限于我们自己的模型）时，都能带来显著的性能提升。此外，结合其他良好实践，我们在 KITTI 基准测试上取得了最先进的深度预测结果。