DS-Depth：融合コストボリュームを用いた動的および静的深度推定

自己教師付きモノクロ深度推定手法は、通常、静的環境における連続フレーム間の幾何学的関係を捉えるために再投影誤差に依存している。しかし、動的物体が存在するシナリオではこの仮定が成り立たず、視点合成段階で特徴マッチングの不一致や隠蔽（オクルージョン）といった誤差が生じ、生成された深度マップの精度を著しく低下させる。本研究では、この問題に対処するため、移動物体を表現するために残差光流（residual optical flow）を活用する新しい動的コストボリューム（dynamic cost volume）を提案する。これにより、従来の手法で用いられる静的コストボリュームにおける誤った隠蔽領域を改善することができる。一方で、動的コストボリュームは必然的に新たな隠蔽領域やノイズを生成するため、静的および動的コストボリュームが互いに補完し合うように設計された融合モジュールを導入してこれを緩和する。すなわち、静的ボリュームによる隠蔽は動的ボリュームによって精緻化され、動的ボリュームに含まれる誤った情報は静的ボリュームによって除去される。さらに、低解像度におけるPhotometric誤差の不正確さを低減するため、ピラミッド蒸留損失（pyramid distillation loss）を提案し、隠蔽領域における光度勾配の大きな変化に起因するフロー方向の歪みを軽減するため、適応型光度誤差損失（adaptive photometric error loss）を導入した。本研究ではKITTIおよびCityscapesデータセット上で広範な実験を実施し、その結果、従来の自己教師付きモノクロ深度推定手法のベースラインを上回る性能を達成したことが示された。