الغوص في تقدير العمق الأحادي الذاتي التعلم

بيان البيانات الحقيقية للعمق على أساس البكسل صعب الحصول عليه بمقياس كبير. لتجاوز هذه القيود، ظهر التعلم الذاتي المشرف عليه كبدائل واعدة لتدريب النماذج على أداء تقدير العمق الأحادي. في هذا البحث، نقترح مجموعة من التحسينات التي تؤدي مجتمعة إلى تحسين خرائط العمق بشكل كمي وكيفي مقارنة بالطرق الذاتية المشرفة المنافسة.الأبحاث حول التدريب الأحادي الذاتي عادة ما تستكشف هياكل متزايدة التعقيد، ودوال الخسارة، ونماذج تكوين الصور، والتي ساعدت جميعها مؤخرًا في تقليص الفجوة مع الطرق المشرفة بالكامل. نوضح أن نموذجًا بسيطًا مفاجئًا ومعيار تصميمه المرتبط به يؤدي إلى توقعات أفضل. وبشكل خاص، نقترح (i) خسارة إعادة الإسقاط الدنيا المصممة للتعامل بكفاءة مع الانغلاق (occlusions)، (ii) طريقة عينة متعددة المقاييس بدقة كاملة لتقليل الشوائب البصرية، و (iii) خسارة التعتيم الآلي لإهمال البكسلات التي تخالف افتراضات حركة الكاميرا. نظهر فعالية كل مكون بشكل منفصل، ونقدم نتائج عالية الجودة وأحدث ما وصل إليه العلم على مقاييس KITTI.