面向物体凸显的无源深度估计

深度线索已知有助于视觉感知。然而，直接测量深度往往不可行。幸运的是，现代基于学习的方法通过在自然场景中推理可提供有前景的深度图。在本工作中，我们利用物体在三维中“凸显”（pop-out）的先验，将此类深度推理模型适配于物体分割。该“凸显”是一种简单的组合先验，假设物体位于背景表面之上。这种组合先验使我们能够在三维空间中推理物体。更具体地，我们调整推断的深度图，使得仅利用三维信息即可定位物体。然而，这种分离需要关于接触面的知识，我们通过分割掩码的弱监督来学习。我们对接触面的中间表示，并由此纯粹在三维中推理物体，使我们能够更好地将深度知识迁移至语义。所提出的适配方法仅使用深度模型而无需训练所用的源数据，使学习过程高效且实用。我们在八个数据集的两个挑战性任务（即伪装物体检测和显著物体检测）上的实验，一致展示了我们的方法在性能与泛化性方面的优势。