迈向实用的单目室内深度估计
计算机视觉与模式识别
2022-03-30 v2
摘要
多数无需真实深度引导的已有单目深度估计方法聚焦于驾驶场景。我们表明此类方法对未见过的复杂室内场景泛化性差，其中物体杂乱且在近场任意摆放。为获得更强鲁棒性，我们提出一种结构蒸馏方法，从现成的产生结构化但无关度量的相对深度估计器中学习技巧。通过将结构蒸馏与从左-右一致性学习度量的分支结合，我们获得通用室内场景的结构化且带度量的深度，并实时推理。为辅助学习与评估，我们收集了来自仿真的含数千环境的数据集SimSIN，以及含约500条通用室内环境真实扫描序列的数据集UniSIN。我们在仿真到真实和真实到真实设定下实验，展示了改进以及在使用我们深度图的下游应用中的表现。本工作提供了涵盖方法、数据与应用方面的完整研究。
引用
@article{arxiv.2112.02306,
title = {Toward Practical Monocular Indoor Depth Estimation},
author = {Cho-Ying Wu and Jialiang Wang and Michael Hall and Ulrich Neumann and Shuochen Su},
journal= {arXiv preprint arXiv:2112.02306},
year = {2022}
}
备注
Accepted to CVPR 2022