摘要
深度估计是计算机视觉系统实现三维场景理解的关键组成部分。高效且准确的深度图估计在自动驾驶车辆、虚拟现实工具等诸多领域具有广泛应用。本文提出一种新型深度神经网络——D-Net，用于从单张RGB图像中进行深度估计。所提出的网络支持端到端训练，其结构可根据不同需求灵活调整，以适应模型大小、运行速度和预测精度之间的权衡。该方法在多尺度下捕获强大的全局与局部上下文特征，并将其传递至高分辨率空间，从而生成更为清晰的深度图。在编码器主干网络方面，D-Net可灵活集成多种前沿模型，如EfficientNet、HRNet和Swin Transformer，以生成高密度深度图。所提出的D-Net设计具有最少的参数量和较低的计算复杂度。在NYUv2和KITTI基准数据集上的大量实验评估表明，该模型在多种主干网络下均表现出高度准确性；当与Swin Transformer和HRNet结合时，其在两个基准测试中均达到了当前最优（state-of-the-art）的性能水平。