Déplacement intérieur : apprentissage non supervisé de la profondeur vidéo dans des environnements exigeants

Récemment, l'apprentissage non supervisé de la profondeur à partir de vidéos a connu des progrès remarquables, et ses résultats sont désormais comparables à ceux des méthodes entièrement supervisées dans des scènes extérieures telles que KITTI. Toutefois, des défis importants persistent lors de l'application directe de cette technologie dans des environnements intérieurs, notamment des zones étendues sans texture (comme les murs blancs), des mouvements propres plus complexes dus à une caméra tenue à la main, ainsi que des surfaces transparentes ou réfléchissantes. Pour surmonter ces difficultés, nous proposons un nouveau paradigme d'entraînement basé sur le flux optique, qui réduit la complexité de l'apprentissage non supervisé en fournissant une cible d'entraînement plus claire et en traitant efficacement les régions sans texture. Notre évaluation expérimentale montre que les performances de notre méthode sont comparables à celles des méthodes entièrement supervisées sur le benchmark NYU Depth V2. À notre connaissance, il s'agit du premier résultat quantitatif d'une méthode d'apprentissage purement non supervisé publié sur des jeux de données intérieurs.