基于离焦深度线索训练的单图像深度估计
计算机视觉与模式识别
2020-01-16 v1
摘要
从单张 RGB 图像估计深度是计算机视觉中的一项基础任务，最直接的方法是使用有监督深度学习。在单张 RGB 图像深度无监督学习领域，深度并未被显式给出。该领域的已有工作接收立体图像对、单目视频或多视图，并利用基于运动恢复结构的损失训练深度估计网络。在本工作中，我们依赖于离焦深度线索而非不同视图。学习基于一种新颖的点扩散函数卷积层，该层应用由每个图像位置处的弥散圆产生的位置特定核。我们在源自五个常用深度估计与光场图像数据集的数据上评估了我们的方法，并展示了在 KITTI 和 Make3D 数据集上与有监督方法相当、且优于无监督学习方法的结果。由于离焦深度现象并非数据集特定，我们假设基于它的学习会对各数据集中的特定内容过拟合更少。我们的实验表明情况确实如此，且使用我们的方法在一个数据集上学习的估计器在其他数据集上比直接有监督方法提供更好的结果。
引用
@article{arxiv.2001.05036,
title = {Single Image Depth Estimation Trained via Depth from Defocus Cues},
author = {Shir Gur and Lior Wolf},
journal= {arXiv preprint arXiv:2001.05036},
year = {2020}
}