融合残差上采样结构的P2Net无监督单目深度估计

摘要：

单目深度估计是计算机视觉领域中的一个基本问题,面片匹配与平面正则化网络(P2Net)是现阶段最先进的无监督单目深度估计方法之一.由于P2Net中深度预测网络所采用的上采样方法为计算过程较为简单的最近邻插值算法,使得预测深度图的生成质量较差.因此,本文基于多种上采样算法构建出残差上采样结构来替换原网络中的上采样层,以获取更多特征信息,提高物体结构的完整性.在NYU-Depth V2数据集上的实验结果表明,基于反卷积算法、双线性插值算法和像素重组算法的改进P2Net网络相较原网络在均方根误差RMSE指标上分别降低了2.25％、2.73％和3.05％.本文的残差上采样结构提高了预测深度图的生成质量,降低了预测误差.

关键词：深度估计、无监督、P2Net、残差上采样结构、深度学习

所属期刊栏目：31

分类号：TP391.41;TN919.81;TN431.2

资助基金：国家自然科学基金U20A20293

在线出版日期：2022-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：365-372