BriefGPT - AI 论文速递
·
EC-Depth：在具有挑战性场景下探索自监督单目深度估计的一致性
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种单目深度估计器SC-Depth，可以使用未标记的视频进行训练，并能在推理时实现尺度一致的预测。该方法包括几何一致性损失、自动定位移动对象的自我发现掩码等组件，通过详细的消融研究证明了每个组件的功效，并展示了在KITTI和NYUv2数据集中高质量的深度估计结果。此外，该方法可以轻松地集成到ORB-SLAM2系统中以实现更强大和准确的跟踪。提出的混合Pseudo-RGBD SLAM在KITTI中具有很强的性能，并且在没有额外训练的情况下很好地推广到KAIST数据集。最后，提供了几个演示以进行定性评估。
🎯
关键要点
-
提出了一种单目深度估计器SC-Depth，使用未标记的视频进行训练。
-
SC-Depth在推理时实现尺度一致的预测。
-
引入几何一致性损失，惩罚相邻视角之间预测深度的不一致性。
-
提出自动定位移动对象的自我发现掩码，处理训练中的噪声信号。
-
通过消融研究证明了各个组件的功效，展示了在KITTI和NYUv2数据集上的高质量深度估计结果。
-
SC-Depth可以轻松集成到ORB-SLAM2系统中，增强跟踪的强大性和准确性。
-
混合Pseudo-RGBD SLAM在KITTI数据集中表现优异，并能无额外训练推广到KAIST数据集。
-
提供了多个演示以进行定性评估。
➡️
