ECCV2020：SGDepth：语义分割和深度估计结合

论文：添加链接描述

摘要

自监督单目深度估计提供了一种可以从单个图片中获取3D场景信息的方法，该信息可以在任意图像序列上进行训练，而无需地面深度信息。在这项工作中，我们提出了一种自监督的语义指导深度估计方法（SGDepth），用于处理运动的动态类（DC）对象，例如运动的汽车和行人，这些对象违反了在训练此类模型时通常做出的静态世界假设。具体来说，我们提出了：
（i）深度估计和语义分割的跨域训练
（ii）语义分割产生mask，使运动的DC物体不参与光度损失的计算
（iii）一种能检测不运动的DC物体的检测方法

贡献

1、自监督单目深度估计
（1）最小重投影损失

1）先将图像投影至3D点云
2）再乘以姿态进行坐标转换
3）然后再重投影至图像

重投影的图像为

最小重投影损失为