摘要
监督深度估计由于先进的深度网络架构而实现了高精度。然而，由于真实深度标签难以获取，近期的方法尝试通过探索无监督线索以无监督的方式学习深度估计网络，这些方法虽然有效但不如真实标签可靠。为了解决这一困境，一种新兴的方法是通过域适应技术从具有真实深度标签的合成图像中迁移知识。然而，这些方法忽略了目标域（即实际数据）中自然图像的具体几何结构，这对高性能的深度预测至关重要。基于这一观察，我们提出了一种几何感知对称域适应框架（Geometry-Aware Symmetric Domain Adaptation, GASDA），该框架联合探索合成数据中的标签和实际数据中的极线几何结构。此外，通过在端到端网络中对称地训练两个图像风格转换器和深度估计器，我们的模型实现了更好的图像风格迁移并生成了高质量的深度图。实验结果证明了我们所提出方法的有效性，并且其性能与现有最先进方法相当。代码将在以下地址公开：https://github.com/sshan-zhao/GASDA。