UnDEMoN 2.0：通过深度图像采样改进深度与自运动估计
计算机视觉与模式识别
2018-11-28 v1
摘要
本文给出了UnDEMoN模型的改进版本，用于从单目图像估计深度与自运动。该改进通过将标准双线性采样器与基于深度网络的图像采样模型（DIS-NET）相结合来实现，以提供更优的图像重建能力，而无监督学习模型中的深度估计精度正依赖于此。DIS-NET提供高阶回归与更大的输入搜索空间，而双线性采样器提供几何约束，对缩减此类病态问题的解空间规模必不可少。结果表明该组合显著提升了深度与位姿估计精度，优于该类别中所有现有的SOTA方法。此外，修改后的网络使用了远少于以往的可调参数，使其成为最轻量的深度估计深度网络模型之一。所提模型标记为“UnDEMoN 2.0”，表示对现有UnDEMoN模型的改进。在标准KITTI数据集上的严格实验分析证明了所提模型的有效性。
引用
@article{arxiv.1811.10884,
title = {UnDEMoN 2.0: Improved Depth and Ego Motion Estimation through Deep Image Sampling},
author = {Madhu Babu and Swagat Kumar and Anima Majumder and Kaushik Das},
journal= {arXiv preprint arXiv:1811.10884},
year = {2018}
}