SuperDepth：自监督的超分辨率单目深度估计
计算机视觉与模式识别
2018-10-04 v1 人工智能
机器学习
机器人学
摘要
近期自监督单目深度估计技术正逼近有监督方法的性能，但仅在低分辨率下运行。我们表明高分辨率对于高保真自监督单目深度预测至关重要。受近期单图像超分辨率深度学习方法的启发，我们提出了一种用于深度超分辨率的亚像素卷积层扩展，可从相应的低分辨率卷积特征精确合成高分辨率视差。此外，我们引入了一种可微的翻转增强层，能精确融合图像及其水平翻转版本的预测，从而减弱因遮挡而在视差图中产生的左右阴影区域效应。两项贡献在公开 KITTI 基准上相对于自监督深度与位姿估计的当前最优方法均带来显著性能提升。我们方法的视频见 https://youtu.be/jKNgBeBMx0I。
引用
@article{arxiv.1810.01849,
title = {SuperDepth: Self-Supervised, Super-Resolved Monocular Depth Estimation},
author = {Sudeep Pillai and Rares Ambrus and Adrien Gaidon},
journal= {arXiv preprint arXiv:1810.01849},
year = {2018}
}
备注
6 pages, 5 figures, 2 tables, ICRA 2019 Submission