基于深度特征重建的单目深度估计与视觉里程计无监督学习
计算机视觉与模式识别
2018-04-06 v3
摘要
尽管基于学习的方法在单视图深度估计和视觉里程计中展现出有前景的结果，现有多数方法以有监督方式处理这些任务。近期单视图深度估计方法探索了通过最小化光度误差在无完全监督下学习的可能性。本文中，我们探索利用立体序列学习深度与视觉里程计。立体序列的使用使得能够同时利用空间（左右对之间）与时间（前后向）光度扭曲误差，并将场景深度与相机运动约束在统一的真实世界尺度下。在测试时，我们的框架能从单目序列估计单视图深度与两视图里程计。我们还展示了如何通过考虑深度特征的扭曲来改进标准光度扭曲损失。我们通过大量实验表明：(i) 联合训练单视图深度与视觉里程计因对深度施加的额外约束而改善了深度预测，并在视觉里程计上取得有竞争力的结果；(ii) 基于深度特征的扭曲损失在单视图深度估计与视觉里程计上均优于简单的光度扭曲损失。我们的方法在 KITTI 驾驶数据集上的两项任务均优于现有基于学习的方法。源代码见 https://github.com/Huangying-Zhan/Depth-VO-Feat
引用
@article{arxiv.1803.03893,
title = {Unsupervised Learning of Monocular Depth Estimation and Visual Odometry with Deep Feature Reconstruction},
author = {Huangying Zhan and Ravi Garg and Chamara Saroj Weerasekera and Kejie Li and Harsh Agarwal and Ian Reid},
journal= {arXiv preprint arXiv:1803.03893},
year = {2018}
}
备注
8 pages, 6 figures, CVPR 2018