首页|基于全尺度特征融合的自监督单目深度估计

基于全尺度特征融合的自监督单目深度估计

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对自监督单目深度估计生成的深度图边界模糊、伪影过多等问题，提出基于全尺度特征融合模块(FSFFM)和链式残差池化模块(CRPM)的深度网络编解码结构。在解码时，将编码器得到的高分辨率和相同分辨率特征与之前解码器得到的低分辨率特征以及上一级逆深度图进行融合，使网络学习到的特征既包含全局信息又包含局部信息。使用 CRPM 从融合特征中获取背景上下文信息，最终得到更精确的深度图。在 KITTI 数据集上进行了实验，与之前工作相比，该方法深度值绝对误差降低了 7。8%，阈值为 1。25 的精确度提高了 1。1%，其结果优于现有大多数自监督单目深度估计算法。
Self-Supervised Monocular Depth Estimation Based on Full Scale Feature Fusion

depth estimationself-supervisedfull scale feature fusion modulechain residual pooling module

王聪、陈莹

展开 >

江南大学轻工过程先进控制教育部重点实验室 无锡 214122

深度估计 自监督 全尺度特征融合模块 链式残差池化模块

国家自然科学基金国家自然科学基金

6217316061573168

2023

10.3724/SP.J.1089.2023.19418

计算机辅助设计与图形学学报
中国计算机学会

计算机辅助设计与图形学学报

CSTPCDCSCD北大核心
影响因子：0.892
ISSN：1003-9775
年,卷(期)：2023.35(5)
  • 2