尺寸到深度：单目图像深度估计的新视角
计算机视觉与模式识别
2018-01-16 v1
摘要
本文研究单目图像深度估计问题。由于其病态本质，这是一个具有挑战性的问题，并在工业中得到了广泛应用。以往的尝试大致分为两类：基于学习的方法与交互式方法。基于学习的方法中深度卷积神经网络(CNN)被广泛使用，可取得良好结果，但泛化能力低，对陌生场景通常表现不佳；此外，该类方法的数据饥渴特性使得数据获取昂贵且耗时。交互式方法需要人工标注深度，然而标注易出错且方差大。为克服这些问题，我们提出单目图像深度估计问题的新视角：尺寸到深度。我们的方法需要物体真实世界尺寸的稀疏标注而非原始深度。随后根据尺寸标注的几何关系推断粗深度图，再通过条件随机场(CRF)上的能量函数优化精炼深度图。实验表明，我们的方法优于传统深度标注方法并能生成令人满意的深度图。
引用
@article{arxiv.1801.04461,
title = {Size-to-depth: A New Perspective for Single Image Depth Estimation},
author = {Yiran Wu and Sihao Ying and Lianmin Zheng},
journal= {arXiv preprint arXiv:1801.04461},
year = {2018}
}