要約
単一画像からの深度推定のための新しいアーキテクチャを提案する。本アーキテクチャは、密度推定タスクの出発点として広く用いられる一般的なエンコーダ-デコーダ構造に基づいている。AdaBinsに着目し、入力画像に対する深度値のグローバルな分布を推定する手法を基に、アーキテクチャを2つの点で拡張した。第一に、グローバルな深度分布の予測ではなく、各画素における局所的近傍の深度分布を予測する。第二に、深度分布の予測をデコーダの最終段階でのみ行うのではなく、デコーダのすべての層にわたり予測を組み込む。この新しいアーキテクチャを「LocalBins」と呼ぶ。実験結果は、NYU-Depth V2データセットにおいて、すべての評価指標で最先端技術を明確に上回ることを示している。コードおよび事前学習済みモデルは、公開予定である。