PMIndoor:Pose 纠正网络和多次损失函数用于自主监督单眼室内深度估计.
Siyu Chen1,2, Ying Zhu2, Hong Liu2
1Institute of Artificial Intelligence, University of Science and Technology Beijing, Beijing 100083, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究介绍了PMIndoor,这是一个用于室内环境中自主监督单眼深度估计的新框架. 它有效地应对诸如无纹理区域和复杂的摄像机运动等挑战,提高精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自主监督的单眼深度估计在户外场景中表现出色,但在室内扎.
- 室内场景带来了独特的挑战:没有纹理的区域和复杂的,自由手的摄像机运动.
- 由于模两可的光度损失和不准确的姿势估计,现有的方法经常失败.
研究的目的:
- 提出PMIndoor,一个新的自我监督的框架,用于准确的室内深度估计.
- 为应对室内环境中无纹理区域和复杂相机构成的挑战.
- 为了提高室内场景单眼深度估计的性能.
主要方法:
- PMIndoor使用多个损失函数来限制在非纹理区域的深度估计.
- 引入了一个姿势纠正网络,以准确估计图像之间的旋转.
- 整合了多头自我注意模块,以提高深度估计的准确性.
主要成果:
- 在NYU Depth V2室内数据集上,PMIndoor表现出卓越的表现.
- 拟议的方法优于以前用于室内深度估计的先进技术.
- 实验验证实了姿势纠正网络和多头注意力的有效性.
结论:
- PMIndoor为自主监督的室内深度估计提供了强大的解决方案.
- 该框架成功地解决了室内场景感知方面的关键挑战.
- 这项工作在复杂的室内环境中推进了单眼深度估计的能力.
