用于单视图深度估计的无监督CNN：几何救援
计算机视觉与模式识别
2016-08-01 v2
摘要
当前大多数深度卷积神经网络的一个显著弱点是需要使用大量人工标注的数据来训练它们。在这项工作中，我们提出一种无监督框架来学习用于单视图深度预测的深度卷积神经网络，无需预训练阶段或带标注的真实深度。我们通过以类似于自编码器的方式训练网络来实现这一点。在训练时，我们考虑一对图像，源图像与目标图像，两者之间具有小的已知相机运动，例如立体图像对。我们训练卷积编码器以预测源图像的深度图。为此，我们利用预测的深度和已知的视图间位移显式生成目标图像的逆扭曲，以重建源图像；重建中的光度误差即为编码器的重建损失。该训练数据的获取比等效系统简单得多，不需要人工标注，也不需要深度传感器到相机的标定。我们表明，我们的网络在少于一半的 KITTI dataset（无任何进一步增强）上训练，给出了与单视图深度估计的最先进监督方法相当的性能。
引用
@article{arxiv.1603.04992,
title = {Unsupervised CNN for Single View Depth Estimation: Geometry to the Rescue},
author = {Ravi Garg and Vijay Kumar BG and Gustavo Carneiro and Ian Reid},
journal= {arXiv preprint arXiv:1603.04992},
year = {2016}
}
备注
Accepted for publication at ECCV 2016