改进卷积空间传播网络的单目图像深度估计

单目图像深度估计是计算机视觉领域中的一个基本问题,卷积空间传播网络（CSPN）是现阶段最先进的单目图像深度估计方法之一。针对CSPN在预测密集深度图时存在部分物体结构变形和物体间边缘模糊不清的边界混合问题,分别从网络结构与损失函数两部分进行了改进。对输入稀疏深度图进行了三次不同尺寸下采样,并将其加入到U-Net模块相应的编码过程和跳跃连接部分,以使其能够更精确地捕捉不同尺度的物体结构。并使用深度误差对数、深度信息梯度及表面法线这三种损失函数加权组合形成的改进损失函数来替换原始损失函数。在NYU-Depth-v2数据集上的实验结果表明,本文的改进卷积空间传播网络（ICSPN）与CSPN相比,其均方根误差RMSE降低了17.23%,平均相对误差REL降低了28.07%。本文的ICSPN充分利用了输入稀疏深度图,减小了预测密集深度图中物体结构的变形,同时采用带有梯度损失的损失函数对训练过程进行监督,降低了物体边缘位置误差,减少了边界混合问题的产生。     

融合残差上采样结构的P2Net无监督单目深度估计

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.