学习遮挡感知粗到细深度图用于自监督单目深度估计

自监督的单目深度估计旨在以自监督的方式从单张图片中学习场景深度，近期受到了广泛关注。尽管该领域已取得一些进展，但如何准确学习场景深度并减轻遮挡的负面影响仍然是一个挑战。为解决这个问题，我们首先对连续和离散深度约束进行了实证分析，这两种约束在许多现有方法的训练中都被广泛应用。受此启发，我们推出了一个名为OCFD-Net的新型网络，为自监督单目深度估计生成遮挡感知的粗到细深度图。使用任意给定的立体图像对训练集，OCFD-Net不仅使用离散深度约束生成粗级深度图，还使用连续深度约束确定场景深度残差，从而得到细级深度图。此外，我们在OCFD-Net中集成了一个遮挡感知模块，增强了计算出的细级深度图处理遮挡的能力。在KITTI数据集上的实验显示，我们的方法在大多数情况下根据七种广泛使用的指标超越了可比较的最先进的方法。