改进SSIM损失用于无监督单目深度估计
计算机视觉与模式识别
2025-06-06 v1
摘要
无监督单目深度学习通常依赖于相邻时间图像之间的光度关系。大多数先前工作使用均值绝对误差（MAE）和结构相似性指数（SSIM）的常规形式作为训练损失，但忽略了SSIM函数中不同组成部分的作用以及相应超参数对训练的影响。为解决这些问题，本文提出了新的SSIM形式。与原始SSIM函数相比，新形式使用加法而非乘法将亮度、对比度和结构相似性相关组成部分组合在一起。使用该方案构建的损失函数有助于获得更平滑的梯度，在无监督深度估计中实现更高性能。我们进行了大量实验以确定用于新SSIM的最佳参数组合。基于流行的MonoDepth方法，优化后的SSIM损失函数在KITTI-2015户外数据集上显著优于基线。
引用
@article{arxiv.2506.04758,
title = {Toward Better SSIM Loss for Unsupervised Monocular Depth Estimation},
author = {Yijun Cao and Fuya Luo and Yongjie Li},
journal= {arXiv preprint arXiv:2506.04758},
year = {2025}
}
备注
12 pages,4 figures