WaterMono：面向鲁棒 underwater 自监督单目深度估计的教师引导异常掩码与增强提升
计算机视觉与模式识别
2024-06-21 v1
摘要
深度信息是各种视觉任务（无论在陆地还是水下）的关键前提。最近，自监督方法在多个陆地基准上取得了显著成绩，尽管缺乏深度标注。然而，在更具挑战性的水下场景中，它们面临诸多新障碍，如海洋生物的影响以及水下图像的退化，这些破坏了静态场景的假设并带来低质量图像。此外，水下图像的摄像机角度更为多样。值得注意的是，我们发现知识蒸馏为解决这些挑战提供了可行的方法。本文提出WaterMono，一个用于深度估计并伴随图像增强的新型框架。它包含以下关键措施：（1）我们提出了教师引导异常掩码，用于识别图像中的动态区域；（2）我们采用深度信息结合水下图像形成模型生成增强图像，这些图像反过来有助于深度估计任务；（3）我们利用旋转蒸馏策略来增强模型的旋转鲁棒性。全面实验表明，我们提出的方法在深度估计和图像增强方面均有效。源代码和预训练模型均可在项目主页获取：https://github.com/OUCVisionGroup/WaterMono。
引用
@article{arxiv.2406.13344,
title = {WaterMono: Teacher-Guided Anomaly Masking and Enhancement Boosting for Robust Underwater Self-Supervised Monocular Depth Estimation},
author = {Yilin Ding and Kunqian Li and Han Mei and Shuaixin Liu and Guojia Hou},
journal= {arXiv preprint arXiv:2406.13344},
year = {2024}
}