引入生成对抗网络的室外场景单目深度估计

生成对抗网络（GAN）算法在室外场景的深度估计任务中准确率较低,对于物体边界判断不准确。针对该问题,提出基于循环生成对抗网络（CycleGAN）的单目深度估计算法,将单幅图像映射到深度图像的过程拆分为两个子阶段。第一阶段中,网络学习图像的基本空间特征,得到粗糙尺度下的深度图像;第二阶段在前者的基础上,通过细节上的差异对比,优化深度图像,得到精细尺度下的深度图像。为了进一步提高深度估计的精度,在损失函数中引入了L1距离,让网络可以学习像素到像素的映射关系,避免出现较大的偏差与失真。在公开的室外场景数据集Make3D上的实验结果表明,与同类型算法相比,该算法的平均相对误差、均方根误差取得更好的效果。     

基于多层次CNN特征融合的深度估计算法

由于在深度卷积网络中，深度估计的最终结果往往只利用到了网络的高层特征信息，对于底层特征的信息难以利用。为了解决这个问题，提出融合多层次特征的CNN(Convolutional Neural Network)深度估计方法。高层特征一般包含了图像整体的空间结构信息，而底层特征往往会包含大量的物体细节信息。网络对于底层特征的信息利用不足，造成深度估计的效果比较模糊。为了解决这一问题，采用融合多层次特征的方法，通过设定特定的网络结构，结合反卷积和池化方法，融合不同层次的CNN特征，使得网络能够同时利用底层与高层信息进行深度估计。通过在KITTI与ApolloScape数据集上的实验证明，该方法有效地提高了深度估计的精度。