摘要
当前的单图像深度估计方法通常使用包含真实图像-深度对或立体图像对的训练数据集，这些数据集不易获取。我们提出了一种框架，该框架在合成图像-深度对和未配对的真实图像上进行训练，包括一个用于增强输入图像真实感的图像翻译网络，以及一个后续的深度预测网络。一个关键的想法是让第一个网络充当广谱输入翻译器，能够接收合成图像或真实图像，并理想地生成尽可能少修改的真实感图像。当训练输入为真实图像时，通过重建损失实现这一目标；而当输入为合成图像时，则通过生成对抗网络（GAN）损失来实现，从而消除了启发式自正则化的需要。第二个网络则在合成图像-深度对的任务损失上进行训练，并额外加入生成对抗网络（GAN）损失以统一真实和合成特征分布。重要的是，该框架可以端到端地进行训练，从而获得良好的结果，甚至超过了早期使用真实配对数据的深度学习方法。