面向自监督单目深度估计中更好数据利用的研究
计算机视觉与模式识别
2023-12-11 v3
摘要
深度估计在机器人感知系统中起着重要作用。自监督单目范式因能摆脱训练对深度标注的依赖而受到广泛关注。尽管近期取得进展，现有自监督方法仍未能充分利用可用训练数据，限制了其泛化能力。本文采用两种数据增强技术，即缩放-裁剪与分割-置换，以充分挖掘训练数据集的潜力。具体而言，原始图像与生成的两张增强图像同时送入训练流程，并利用它们进行自蒸馏。此外，我们引入细节增强的 DepthNet，在编码器中增设全尺度分支并在解码器中使用网格解码器，以增强深度图中精细细节的恢复。实验结果表明，我们的方法在 KITTI 基准上以原始真值与改进真值均达到最先进性能。此外，我们的模型在迁移至 Make3D 与 NYUv2 数据集时也展现出优越的泛化性能。我们的代码发布于 https://github.com/Sauf4896/BDEdepth。
引用
@article{arxiv.2309.05254,
title = {Towards Better Data Exploitation in Self-Supervised Monocular Depth Estimation},
author = {Jinfeng Liu and Lingtong Kong and Jie Yang and Wei Liu},
journal= {arXiv preprint arXiv:2309.05254},
year = {2023}
}
备注
8 pages, 6 figures, accepted by IEEE Robotics and Automation Letters (RA-L 2023)