融合内参与时空约束的无监督单目深度学习

近年来，单目深度推断受到了研究人员的极大关注，并仍是有望替代昂贵飞行时间传感器的方案，但尺度获取与实现开销问题仍困扰着这些系统。为此，本工作提出了一种无监督学习框架，能够通过单一网络从单目图像序列中预测具有真实尺度的深度图、自运动以及相机内参。我们的方法结合了空间与时间几何约束以求解深度与位姿尺度因子，这些约束在训练时通过监督式重建损失函数施加。训练我们单网络架构的权重仅需未标注的立体序列，与先前方法相比降低了整体实现开销。我们的结果表明，在 KITTI 驾驶数据集的多个序列上与当前最先进方法相比具有强劲性能，并且凭借其精简的网络复杂度可提供更短的训练时间。