基于循环生成网络的无监督对抗深度估计
计算机视觉与模式识别
2018-07-31 v1
摘要
尽管近期基于监督回归的深度单目估计方法取得了令人瞩目的性能，但训练过程中需要昂贵的真实标注。为应对此问题，本文提出一种新颖的无监督深度学习方法用于预测深度图，并表明深度估计任务可在对抗学习框架内被有效解决。具体而言，我们提出一种深度生成网络，其学习预测对应场（即标定立体相机设置下两幅图像视图之间的视差图）。所提架构由两个生成子网络组成，通过对抗学习联合训练以重建视差图，并以循环方式组织从而相互提供约束与监督。在公开数据集 KITTI 和 Cityscapes 上的大量实验证明了所提模型的有效性以及与最先进方法相竞争的结果。代码与训练模型见 https://github.com/andrea-pilzer/unsup-stereo-depthGAN。
引用
@article{arxiv.1807.10915,
title = {Unsupervised Adversarial Depth Estimation using Cycled Generative Networks},
author = {Andrea Pilzer and Dan Xu and Mihai Marian Puscas and Elisa Ricci and Nicu Sebe},
journal= {arXiv preprint arXiv:1807.10915},
year = {2018}
}
备注
To appear in 3DV 2018. Code is available on GitHub