SGANVO：基于堆叠生成对抗网络的无监督深度视觉里程计与深度估计
机器人学
2019-07-23 v1 计算机视觉与模式识别
图像与视频处理
摘要
近来，端到端无监督深度学习方法在视觉深度和自我运动估计任务上取得了超越几何方法的效果。这些基于数据的学习方法在一些具有挑战性的场景中表现得更鲁棒且更准确。编码器-解码器网络已广泛用于深度估计，而 RCNN 在自我运动估计中带来了显著改进。此外，生成对抗网络（GANs）在深度与自我运动估计中的最新应用表明，通过在博弈学习过程中生成图像可进一步改善估计。本文提出一种用于视觉深度与自我运动估计的新型无监督网络系统：堆叠生成对抗网络（SGANVO）。它由一层堆叠的 GAN 组成，其中最底层估计深度和自我运动，而更高层估计空间特征。由于在各层间使用了循环表示，它还能捕捉时间动态。详见图 1。我们选取最常用的 KITTI [1] 数据集进行评估。评估结果表明，我们提出的方法在深度和自我运动估计上能产生更好或相当的结果。
引用
@article{arxiv.1906.08889,
title = {SGANVO: Unsupervised Deep Visual Odometry and Depth Estimation with Stacked Generative Adversarial Networks},
author = {Tuo Feng and Dongbing Gu},
journal= {arXiv preprint arXiv:1906.08889},
year = {2019}
}
备注
7 pages, 4 figures,