StructDepth：利用结构规律性进行自监督室内深度估计
计算机视觉与模式识别
2021-08-20 v1
摘要
自监督单目深度估计在室外数据集上已取得令人印象深刻的性能。然而，由于纹理匮乏，其在室内环境中的性能显著下降。缺乏丰富纹理时，光度一致性过弱，无法训练出良好的深度网络。受早期室内建模工作的启发，我们利用室内场景展现的结构规律性来训练更好的深度网络。具体而言，我们采用两种额外的监督信号进行自监督训练：1）曼哈顿法向约束；2）共面约束。曼哈顿法向约束强制主要表面（地板、天花板和墙壁）与主导方向对齐。共面约束表明，若3D点位于同一平面区域内，则应能被一个平面很好地拟合。为生成监督信号，我们采用两个组件在训练过程中实时将主要表面法向分类至主导方向并检测平面区域。随着训练轮数增加预测深度愈发准确，监督信号也随之改善，并反过来反馈以获得更好的深度模型。通过在室内基准数据集上的大量实验，结果表明我们的网络优于当前最优方法。源代码见 https://github.com/SJTU-ViSYS/StructDepth 。
引用
@article{arxiv.2108.08574,
title = {StructDepth: Leveraging the structural regularities for self-supervised indoor depth estimation},
author = {Boying Li and Yuan Huang and Zeyu Liu and Danping Zou and Wenxian Yu},
journal= {arXiv preprint arXiv:2108.08574},
year = {2021}
}
备注
Accepted by ICCV2021. Project is in https://github.com/SJTU-ViSYS/StructDepth