基于循环一致 Wasserstein GAN 的非配对单图像深度合成
计算机视觉与模式识别
2022-07-11 v3 机器学习
图像与视频处理
摘要
实际环境深度的实时估计是定位、障碍物检测和位姿估计等多种自主系统任务的关键模块。在过去十年的机器学习中，深度学习方法在计算机视觉任务中的广泛部署产生了从简单 RGB 模态进行真实深度合成的成功方法。尽管大多数模型依赖于配对深度数据或视频序列与立体图像的可用性，但缺乏以无监督方式处理单图像深度合成的方法。因此，本研究利用生成神经网络领域的最新进展，实现完全无监督的单图像深度合成。更确切地说，实现了用于 RGB 到深度和深度到 RGB 转换的两个循环一致生成器，并使用 Wasserstein-1 距离进行同时优化。为确保所提方法的合理性，我们将模型应用于自行采集的工业数据集以及著名的 NYU Depth v2 数据集，从而可与现有方法比较。本研究中观察到的成功表明，非配对单图像深度估计在现实世界应用中具有很高潜力。
引用
@article{arxiv.2103.16938,
title = {Unpaired Single-Image Depth Synthesis with cycle-consistent Wasserstein GANs},
author = {Christoph Angermann and Adéla Moravová and Markus Haltmeier and Steinbjörn Jónsson and Christian Laubichler},
journal= {arXiv preprint arXiv:2103.16938},
year = {2022}
}
备注
This preprint is and will not be considered for publication. The paper had a major revision with significant changes of the content. The updated version can be found here: arXiv:2201.12170