用于无监督单目深度估计的结构化耦合生成对抗网络
计算机视觉与模式识别
2019-08-19 v1 图像与视频处理
摘要
受对抗学习成功的启发，我们提出了一种用于单目深度估计的新的端到端无监督深度学习框架，该框架由两个生成对抗网络（GAN）与一个有结构的的条件随机场（CRF）模型深度耦合而成。这两个 GAN 旨在生成不同且互补的视差图，并通过利用对抗学习策略提升生成质量。我们提出深度 CRF 耦合模型来融合来自双 GAN 网络的生成式与判别式输出。由此，该模型在两个网络分支之间以及生成器与判别器之间隐式地构建了相互约束。这有利于整个网络的优化以获得更好的视差生成。在 KITTI、Cityscapes 和 Make3D 数据集上的大量实验清楚地证明了所提方法的有效性，并展现出优于最先进方法的性能。代码与模型可在 https://github.com/mihaipuscas/ 3dv---coupled-crf-disparity 获取。
引用
@article{arxiv.1908.05794,
title = {Structured Coupled Generative Adversarial Networks for Unsupervised Monocular Depth Estimation},
author = {Mihai Marian Puscas and Dan Xu and Andrea Pilzer and Nicu Sebe},
journal= {arXiv preprint arXiv:1908.05794},
year = {2019}
}
备注
Accepted at 3DV 2019 as ORAL