Improving Monocular Depth Estimation by Leveraging Structural Awareness and Complementary Datasets

提出问题：目前单目深度估计中的方法存在的问题是缺乏结构信息的利用，这样就会导致不准确的空间信息，表面不连续，模糊边界问题。
提出解决方案：

• 为了充分利用视觉特征的空间关系，提出了一个空间结构注意力模块，这个模块让不同特征层注意不同的结构信息，比如有些层注意全局结构，有些层注意局部细节。
• 介绍了一个global focal relative loss 损失函数（这个公式没看懂），可以增强空间约束。（我理解的就是提供更有效的空间信息），并明确的增加深度不连续的误差惩罚（权重），有助于保留深度估计结果的清晰度。
• 分析现有网络中的估计误差比较大的图片。我们收集了这些难训练的图像场景。比如说特殊光照条件，动态对象，倾斜相机角度的深度数据。利用新设计的数据集来处理多样性的数据。实验结果表明我们的方法相比与仅使用NYUDv2 数据集更好且更具有泛化性。

标签：误差,Datasets,空间信息,Monocular,Leveraging,估计,模块,深度,数据
来源： https://blog.csdn.net/u014422462/article/details/120824259