.png){kind=icon}
返回
IFDepth: Iterative fusion network for multi-frame self-supervised monocular depth estimation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113467.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自监督单目深度估计因其训练效率高且适用于自主系统而备受关注。然而，现有方法在保持纹理同质场景中的深度关系以及恢复精细结构细节方面常表现出局限性。我们提出了IFDepth，一种迭代多帧深度预测框架，通过光流特征与多尺度上下文信息的协同集成来优化粗略深度估计。我们的架构引入了三个关键组件：（1）运动特征编码器（MFE）用于提取时空运动模式，（2）特征-深度交叉注意力层（FCAL）以实现跨模态特征交互，（3）基于门控循环单元（GRU）的优化模块，可在不执行计算昂贵的3D体积操作的情况下逐步提升预测效果。通过迭代特征融合，IFDepth能够有效恢复遮挡区域和高频细节，同时保持几何一致的深度排序。在KITTI、Cityscapes和Robotcar数据集上的广泛实验表明，该方法实现了最先进的表现，尤其在保持场景细节和准确深度排序方面优于现有的单目训练方法。
Keyword:
Monocular depth estimation
Self-supervised
Iterative refinement
Multi-frame input
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
PPEA-Depth: Progressive Parameter-Efficient Adaptation for Self-Supervised Monocular Depth EstimationPPEA-Depth：面向自监督单目深度估计的渐进式参数高效适配
OAAI
.png){kind=icon}
OAAI分享收藏Regularizing Nighttime Weirdness: Efficient Self-supervised Monocular Depth Estimation in the DarkOAAI
OAAI分享收藏
查看更多内容