面向自监督深度估计中更清晰物体边界的探索

Aurélien Cecille; Stefan Duffner; Franck Davoine; Rémi Agier; Thibault Neveu

面向自监督深度估计中更清晰物体边界的探索

计算机视觉与模式识别 2025-11-19 v2 人工智能机器人学

作者: Aurélien Cecille , Stefan Duffner , Franck Davoine , Rémi Agier , Thibault Neveu

摘要

准确的单目深度估计对于三维场景理解至关重要，但现有方法往往在物体边界处模糊深度，引入虚假的中间三维点。虽然实现清晰边缘通常需要非常细粒度的监督，但我们的方法仅使用自监督即可产生锐利的深度不连续性。具体而言，我们将每像素深度建模为混合分布，捕捉多个合理的深度，并将不确定性从直接回归转移到混合权重上。该公式通过方差感知损失函数和不确定性传播无缝集成到现有流程中。在 KITTI 和 VKITTIv2 上的广泛评估表明，与 SOTA 基线相比，我们的方法实现了高达 35% 的边界锐度提升，并改善了点云质量。

关键词

单目深度估计自监督学习物体边界混合分布不确定性传播自动驾驶

引用

@article{arxiv.2509.15987,
  title  = {Towards Sharper Object Boundaries in Self-Supervised Depth Estimation},
  author = {Aurélien Cecille and Stefan Duffner and Franck Davoine and Rémi Agier and Thibault Neveu},
  journal= {arXiv preprint arXiv:2509.15987},
  year   = {2025}
}

备注

BMVC 2025 Oral, 10 pages, 6 figures

面向自监督深度估计中更清晰物体边界的探索

摘要

关键词

引用

备注

相关论文