要約
学習ベースの手法は、単一画像における深度推定タスクにおいて非常に有望な結果を示しています。しかし、既存の大多数のアプローチは深度予測を教師あり回帰問題として扱っており、その結果、大量の対応する真値深度データが必要となります。さまざまな環境で高品質な深度データを記録することは困難な課題です。本論文では、既存のアプローチを超えて革新し、訓練時に明示的な深度データを使用することをより入手しやすい二眼ステレオ映像に置き換えました。我々は、真値深度データが欠如しているにもかかわらず、単一画像からの深度推定を行うための新しい訓練目標を提案します。エピポラーゲオメトリ制約を利用することで、画像再構成損失を使ってネットワークを訓練して視差画像を生成します。しかし、画像再構成のみを解くと低品質な深度画像が得られることが示されました。この問題を克服するために、左画像と右画像に対して相対的に生成される視差の一貫性を強制する新しい訓練損失を提案します。これにより、既存の手法よりも性能と堅牢性が向上します。我々の方法は、KITTIドライビングデータセットでの単眼深度推定において最先端の結果を生み出しており、真値深度データで訓練された教師あり手法よりも優れた性能を発揮しています。