半监督对抗式单目深度估计
计算机视觉与模式识别
2019-08-07 v1
摘要
在本文中，我们解决了仅能获取有限数量训练图像-深度对时的单目深度估计问题。为实现高回归精度，最先进的估计方法依赖于用大量图像-深度对训练的 CNN，而获取这些配对成本高昂甚至不可行。为打破这种昂贵数据收集的困境，我们提出了一种半监督对抗学习框架，其仅利用少量图像-深度对，并结合大量易获取的单目图像来实现高性能。具体而言，我们使用一个生成器回归深度，两个判别器评估预测深度，即一个检查图像-深度对，另一个仅检查深度通道。这两个判别器将其反馈作为损失提供给生成器，以生成更真实且准确的深度预测。实验表明，所提方法能够（1）通过在 NYUD v2 数据集上有效利用额外的未标记数据源来改进大多数最先进模型；（2）在训练集较小时达到最先进的精度，例如在 Make3D 数据集上；（3）在标注数据集（本例中为 KITTI）上训练后，很好地适应未见过的新数据集（本例中为 Make3D）。
引用
@article{arxiv.1908.02126,
title = {Semi-Supervised Adversarial Monocular Depth Estimation},
author = {Rongrong Ji and Ke Li and Yan Wang and Xiaoshuai Sun and Feng Guo and Xiaowei Guo and Yongjian Wu and Feiyue Huang and Jiebo Luo},
journal= {arXiv preprint arXiv:1908.02126},
year = {2019}
}