单目深度估计中无监督域自适应的一致性正则化

在单目深度估计任务中，无监督域自适应方法近年来被提出，以减轻对大规模标注图像深度数据集的依赖。然而，这类方法通常需要训练多个模型或采用复杂的训练策略。本文将单目深度估计的无监督域自适应问题重新建模为一种基于一致性的半监督学习问题，仅假设可访问源域的真实标签。为此，我们提出了一种成对损失函数，在源域上对预测结果进行正则化的同时，强制要求未标注目标域样本在多个增强视图下的预测保持一致性。重要的是，我们的方法简洁而高效，仅需训练单一模型，相较于先前工作显著降低了复杂度。在实验中，我们基于KITTI和NYUv2这两个标准深度估计基准数据集，验证了所提方法在性能上达到当前最优水平。此外，我们通过一系列消融实验进一步分析了该方法的简洁性与有效性。代码已开源，地址为：\url{https://github.com/AmirMaEl/SemiSupMDE}。