要約
データ駆動型の深度推定手法は、現実世界のシーンに極めて大きな多様性が存在するため、訓練時に使用されたシーン外への一般化性能に課題を抱えている。この問題は合成画像を活用することで部分的に解決可能であるが、合成データと実データの間のドメインギャップを埋めるのは容易ではない。本論文では、ドメイン不変な焦点外ぼかし（defocus blur）を直接的な監視信号として用いることでこの課題に取り組む。焦点位置が異なる画像間の差異から学習を促すように、順序不変な畳み込みニューラルネットワークを用いて焦点外ぼかしの手がかりを活用する。提案するネットワークは、焦点外マップを中間的な監視信号として用いる。これにより、モデルを完全に合成データ上で訓練し、広範な実世界画像に直接適用することが可能となる。合成データおよび実データの両方でモデルを評価した結果、優れた一般化性能と最先端の深度推定精度を達成した。