SharpNet：单目深度估计中遮挡轮廓的快速准确恢复
计算机视觉与模式识别
2019-11-13 v3
摘要
我们提出 SharpNet，一种为输入彩色图像预测准确深度图的方法，特别关注遮挡轮廓的重建：遮挡轮廓是物体识别的重要线索，也是增强现实中虚拟物体真实感融合的关键，但它们也以难以准确重建而著称。例如，对于基于立体视觉的重建方法而言，它们是挑战，因为遮挡轮廓周边的点在仅一幅图像中可见。受近期引入法线估计以改进深度预测方法的启发，我们引入了一项约束深度与遮挡轮廓预测的新项。由于在遮挡轮廓处难以获得像素级完美的真实深度，我们使用合成图像进行训练，随后在真实数据上微调。我们在具有挑战性的 NYUv2-Depth 数据集上展示了我们的方法，表明我们的方法在遮挡轮廓上优于当前最优（SOTA），而在图像其余部分上与近期最佳方法表现相当。其沿遮挡轮廓的精度实际上优于基于结构光深度相机获取的“真实值”。我们通过引入基于 NYUv2-Depth 的评估单目重建中遮挡轮廓的新基准（这是我们的第二项贡献）展示了这一点。
引用
@article{arxiv.1905.08598,
title = {SharpNet: Fast and Accurate Recovery of Occluding Contours in Monocular Depth Estimation},
author = {Michaël Ramamonjisoa and Vincent Lepetit},
journal= {arXiv preprint arXiv:1905.08598},
year = {2019}
}
备注
Accepted at ICCV "3D Reconstruction in the Wild" workshop