SelfDeco：挑战性室内环境下的自监督单目深度补全
计算机视觉与模式识别
2021-04-13 v2 机器人学
摘要
我们提出一种用于自监督单目深度补全的新算法。我们的方法基于训练一个仅需稀疏深度测量值与相应单目视频序列、无需稠密深度标签的神经网络。我们的自监督算法专为具有无纹理区域、光泽与透明表面、非朗伯表面、移动人物、更长且多样的深度范围以及由复杂自运动捕获的场景等挑战性室内环境而设计。我们的新颖架构同时利用深度稀疏卷积块堆栈提取稀疏深度特征，以及像素自适应卷积融合图像与深度特征。我们在 NYUv2、KITTI 和 NAVERLABS 室内数据集上与现有方法比较，观察到均方根误差（RMSE）降低方面有 5–34% 的提升。
引用
@article{arxiv.2011.04977,
title = {SelfDeco: Self-Supervised Monocular Depth Completion in Challenging Indoor Environments},
author = {Jaehoon Choi and Dongki Jung and Yonghan Lee and Deokhwa Kim and Dinesh Manocha and Donghwan Lee},
journal= {arXiv preprint arXiv:2011.04977},
year = {2021}
}