Core Concepts
提案手法は、夜間画像を一切使用せずに、昼間画像を安定した自己教師あり学習の源泉として活用し、物理的前提を用いてデータ分布の補償を行うことで、優れた夜間深度推定性能を実現する。
Abstract
本論文は、夜間の単眼深度推定に取り組む。従来の自己教師あり学習手法では、夜間画像を使用するが、複雑な照明条件により光度一貫性の仮定が満たされず、性能が限定的だった。
提案手法では、夜間画像を一切使用せず、代わりに昼間画像を安定した自己教師あり学習の源泉として活用する。さらに、光度分布と雑音分布の違いを物理的前提に基づいてモデル化し、データ分布の補償を行う。
具体的には以下の2つのモジュールを提案している:
Brightness Peak Generator (BPG): 光源のディフラクション効果や反射を考慮し、夜間の非均一な光度分布をシミュレーション
Imaging Noise Generator (ING): ショット雑音とリード雑音に基づいて、夜間の高い雑音レベルをシミュレーション
これらのモジュールを用いて昼間画像の分布を補償し、夜間深度推定モデルを効率的に自己教師あり学習する。
提案手法は、夜間データセットを一切使用せずに、nuScenes-Night と RobotCar-Night で従来手法を大きく上回る性能を達成した。
Stats
夜間の光源は波動光学/回折効果により、点光源ではなく複雑な形状を持つ。
夜間の撮像では、ショット雑音とリード雑音が大幅に増大する。
Quotes
"夜間の自己教師あり単眼深度推定は近年注目を集めている。しかし、複雑な照明条件により、夜間画像を使用した自己教師あり学習は信頼できない。"
"提案手法は、夜間画像を一切使用せずに、昼間画像を安定した自己教師あり学習の源泉として活用し、物理的前提を用いてデータ分布の補償を行う。"