UnRectDepthNet：基于处理常见相机畸变模型通用框架的自监督单目深度估计

在经典计算机视觉中，校正是多视深度估计不可或缺的部分。它通常包括极线校正和镜头畸变校正。该过程极大简化了深度估计，因此被 CNN 方法所采用。然而，校正具有若干副作用，包括视场（FOV）减小、重采样畸变以及对标定误差的敏感性。在畸变显著（例如广角鱼眼相机）的情况下，这些效应尤为明显。本文中，我们提出了一种通用的尺度感知自监督流水线，从未校正单目视频估计深度、欧氏距离和视觉里程计。我们在具有桶形畸变的未校正 KITTI 数据集上展示了与校正 KITTI 数据集相当的精度。其直觉在于校正步骤可被 CNN 模型隐式吸收，模型在不增加复杂度的前提下学习畸变模型。我们的方法不受视场减小影响，并避免了推理时校正的计算开销。为进一步说明所提框架的普适性，我们将其应用于水平视场达 190$^\circ$ 的广角鱼眼相机。训练框架 UnRectDepthNet 将相机畸变模型作为参数输入，并相应调整投影与反投影函数。所提算法在 KITTI 校正数据集上进一步评估，我们取得了超越先前工作 FisheyeDistanceNet 的 state-of-the-art 结果。在畸变测试场景视频序列上的定性结果表明了优异性能 https://youtu.be/K6pbx3bU4Ss。