VA-DepthNet：一种用于单图像深度预测的变分方法
计算机视觉与模式识别
2023-02-17 v2 机器学习
摘要
我们介绍了 VA-DepthNet，一种简单、有效且准确的深度神经网络方法，用于单图像深度预测（SIDP）问题。所提出的方法倡导对该问题使用经典的一阶变分约束。尽管用于 SIDP 的最先进深度神经网络方法在监督设置下从图像学习场景深度，它们常常忽视刚性场景空间中宝贵的不变性与先验，例如场景的规则性。本文的主要贡献是揭示了在 SIDP 任务的神经网络设计中经典且有坚实基础的变分约束的益处。研究表明，将场景空间中的一阶变分约束与流行的基于编码器-解码器的网络架构设计相结合，为监督式 SIDP 任务提供了优异的结果。所施加的一阶变分约束使网络感知场景空间中的深度梯度，即规则性。本文通过在若干基准数据集（如 KITTI、NYU Depth V2 和 SUN RGB-D）上的广泛评估与消融分析展示了所提方法的有用性。VA-DepthNet 在测试时显示出相比先前艺术水平在深度预测精度上的显著提升，并且在场景空间的高频区域也准确。在撰写本文时，我们的方法——标记为 VA-DepthNet——在 KITTI 深度预测评估集基准上测试时，显示出最先进的结果，并且是性能最佳的已发表方法。
引用
@article{arxiv.2302.06556,
title = {VA-DepthNet: A Variational Approach to Single Image Depth Prediction},
author = {Ce Liu and Suryansh Kumar and Shuhang Gu and Radu Timofte and Luc Van Gool},
journal= {arXiv preprint arXiv:2302.06556},
year = {2023}
}
备注
Accepted for publication at ICLR 2023 (Spotlight Oral Presentation). Draft info: 21 pages, 13 tables, 8 figures