基于图像深度预测的无监督域自适应

从图像推断稠密深度测量的最先进方法依赖于在海量数据上端到端训练的 CNN。然而，当处理在外观和/或上下文上与训练时观测环境差异很大的环境时，这些方法的精度会急剧下降。这一域偏移问题通常通过在与深度标签标注的目标域较小图像集上微调来解决。遗憾的是，在大多数实际场景中依赖此类监督标注很少可行。因此，我们提出了一种不需要真值标签的无监督域自适应技术。我们的方法仅依赖图像对，并利用经典立体算法产生视差测量以及置信度估计器来评估其可靠性。我们提出通过一种新颖的置信度引导损失函数对深度从立体以及深度从单目架构进行微调，该损失函数将测得的视差视为根据估计置信度加权的噪声标签来处理。基于标准数据集和评估协议的广泛实验结果证明，我们的技术能有效地以立体和单目深度预测架构解决域偏移问题，并优于其他可替代部署以实现域自适应的先进无监督损失函数。