Core Concepts
提案されたDFAおよびVDA損失は、SS-MDEにおける強力なクロスビューの一貫性を実現し、従来の方法を凌駕します。
Abstract
自己教師付き単眼深度推定(SS-MDE)におけるクロスビューの一貫性を探求する研究。
提案手法は、DFAとVDA損失を導入し、従来の方法よりも優れた結果を達成。
DFA損失は特徴オフセットを学習し、深度特徴の時間的整合性を向上させる。
VDA損失は3D空間でのクロスビューの整合性を強化し、移動物体や遮蔽領域に対して堅牢であることが示されている。
実験結果は、提案手法が既存手法よりも優れた性能を発揮することを示している。
Introduction:
自己教師付き単眼深度推定(SS-MDE)におけるクロスビュー一貫性の重要性が強調されています。
Robust Cross-View Consistency:
Photometric consistencyや3Dポイントクラウド整合性に代わり、提案手法ではDFAとVDA損失が導入されています。
DFA損失は特徴オフセット学習により時間的深度特徴整合性を向上させます。
VDA損失は3Dボクセル密度整合性で移動物体や遮蔽領域に対処します。
Experimental Results:
提案手法はKITTIデータセットで他手法よりも優れたパフォーマンスを達成しています。低テクスチャ領域や移動物体などで精度が向上しています。
Quotes
"Photometric consistency is not stable and robust based on the intensity invariance hypothesis."
"Our VDA loss regards the point cloud as an integral spatial distribution."