Konsistenz-Regularisierung für unüberwachte Domänenanpassung bei monokularer Tiefenschätzung

Bei der monokularen Tiefenschätzung wurde kürzlich die unüberwachte Domänenanpassung untersucht, um die Abhängigkeit von großen, annotierten bildbasierten Tiefendatensätzen zu verringern. Dieser Ansatz bringt jedoch den Nachteil mit sich, dass mehrere Modelle trainiert oder komplexe Trainingsprotokolle erforderlich sind. Wir formulieren die unüberwachte Domänenanpassung für die monokulare Tiefenschätzung als ein konsistenzbasiertes semi-supervised Lernproblem, wobei wir lediglich Zugriff auf die Ground-Truth-Labels der Quelldomäne annehmen. Dazu führen wir eine Paarverlustfunktion ein, die die Vorhersagen auf der Quelldomäne regularisiert und gleichzeitig die Konsistenz der Vorhersagen über mehrere transformierte Ansichten der nicht annotierten Ziel-Domänen-Beispiele erzwingt. Wichtig ist, dass unser Ansatz einfach und effektiv ist und im Gegensatz zu vorherigen Arbeiten nur die Ausbildung eines einzigen Modells erfordert. In unseren Experimenten nutzen wir die etablierten Benchmark-Datensätze KITTI und NYUv2, um state-of-the-art-Ergebnisse im Vergleich zu verwandten Ansätzen zu demonstrieren. Zudem analysieren wir in einer Reihe von Ablationsstudien die Einfachheit und Effektivität unseres Ansatzes. Der Quellcode ist unter \url{https://github.com/AmirMaEl/SemiSupMDE} verfügbar.