SUB-Depth：基于自蒸馏与不确定性增强的自监督单目深度估计
计算机视觉与模式识别
2022-11-30 v3
摘要
我们提出 SUB-Depth，一种用于自监督单目深度估计（SDE）的通用多任务训练框架。使用 SUB-Depth 训练的深度学习模型优于在标准单任务 SDE 框架下训练的同类模型。通过在标准 SDE 训练框架中引入额外的自蒸馏任务，SUB-Depth 训练一个深度网络，不仅为图像重建任务预测深度图，还利用无标签数据从训练好的教师网络中蒸馏知识。为利用这一多任务设置，我们针对每个任务提出同方差不确定性公式，以惩罚可能受教师网络噪声影响或违背 SDE 假设的区域。我们在 KITTI 上进行了大量评估，以证明使用所提框架训练一系列现有网络所取得的改进，并且我们在该任务上达到了最先进的性能。此外，SUB-Depth 使模型能够估计深度输出的不确定性。
引用
@article{arxiv.2111.09692,
title = {SUB-Depth: Self-distillation and Uncertainty Boosting Self-supervised Monocular Depth Estimation},
author = {Hang Zhou and Sarah Taylor and David Greenwood and Michal Mackiewicz},
journal= {arXiv preprint arXiv:2111.09692},
year = {2022}
}
备注
bmvc version