用于自监督 360 深度估计的球面视图合成
计算机视觉与模式识别
2019-09-19 v1 机器学习
摘要
基于学习的深度感知方法受限于干净训练数据的可用性。这导致利用视图合成作为间接目标，以高效数据获取流程学习深度估计。尽管如此，多数研究聚焦于基于针孔的单目视觉，针对全向输入的成果寥寥。本文中，我们探索以自监督方式学习单目 360 深度估计的球面视图合成，并证明其可行性。在纯几何推导公式下，我们给出了水平与垂直基线以及三目情形的结果。进一步，我们展示了如何以高效方式更好地利用传统 CNN 在等距柱状域上的表达能力。最后，鉴于真实深度数据的可用性，我们的工作处于独特位置，能以一致且公平的方式将视图合成与直接监督进行比较。结果表明，替代研究方向可能更适于实现更高质量的深度感知。我们的数据、模型和代码公开于 https://vcl3d.github.io/SphericalViewSynthesis/。
引用
@article{arxiv.1909.08112,
title = {Spherical View Synthesis for Self-Supervised 360 Depth Estimation},
author = {Nikolaos Zioulis and Antonis Karakottas and Dimitrios Zarpalas and Federico Alvarez and Petros Daras},
journal= {arXiv preprint arXiv:1909.08112},
year = {2019}
}
备注
3DV19, code and data at https://vcl3d.github.io/SphericalViewSynthesis/