.png){kind=icon}
返回
Self-Supervised Monocular Depth Estimation Based on Differential Attention
.png){kind=icon}
OA
AI
DOI：10.3390/a18090590.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度估计算法被广泛应用于各个领域，包括3D重建、自动驾驶和工业机器人。用于深度预测的单目自监督算法为通过硬件设备（如LiDAR）获取深度提供了一种成本效益更高的替代方案。然而，当前的深度预测网络主要基于传统的编解码器架构，通常会遇到两个关键局限性：上采样阶段特征融合机制不足和感受野受限。这些局限性导致预测深度图中高频细节的丢失。为了克服这些问题，我们引入差分注意力算子以增强全局特征表示，并在深度解码器内细化局部上采样特征。此外，我们为解码器配备了一个可变形分箱结构预测头；这种轻量级设计通过自适应感受野调制和可变形采样，能够实现像素级的局部深度分布动态聚合，通过捕捉局部几何和整体结构，增强了解码器对精细细节的处理能力。在KITTI和Make3D数据集上的实验结果表明，与现有方法相比，我们提出的方法能够生成更准确且细节更丰富的深度图。
Keyword:
self-supervised training
monocular depth estimation
differential attention
deformable bin
期刊
IF:
2.1
论文数:
654
被引数:
5.4K
机构
暂无机构信息
引用论文
Adaptive Weighted Network With Edge Enhancement Module For Monocular Self-Supervised Depth Estimation.png)
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容