面向室内连续视频流的无监督单目深度预测
计算机视觉与模式识别
2019-11-21 v1
摘要
本文研究无监督单目深度预测问题。现有大多数无监督深度预测算法针对室外场景开发，而据我们所知，室内环境下的深度预测工作仍十分匮乏。因此，本工作致力于缩小该差距：首先评估现有方法在室内环境中的表现，进而改进最先进（state-of-the-art）的架构设计。与典型的室外训练数据集（如具有运动约束的 KITTI）不同，室内环境数据包含更多任意的相机运动以及连续两帧间较短的基线，这恶化了位姿估计的网络训练。为解决此问题，我们提出两种方法：首先，提出一种新颖的重建损失函数以约束位姿估计，从而提升预测视差图的精度；其次，采用带翻转策略的集成学习并结合中值滤波，直接对输出视差图进行操作。我们在 TUM RGB-D 与自行采集的数据集上评估了所提方法。结果表明，两种方法均优于先前最先进的无监督学习方法。
引用
@article{arxiv.1911.08995,
title = {Unsupervised Monocular Depth Prediction for Indoor Continuous Video Streams},
author = {Yinglong Feng and Shuncheng Wu and Okan Köpüklü and Xueyang Kang and Federico Tombari},
journal= {arXiv preprint arXiv:1911.08995},
year = {2019}
}