# 每天一篇论文257/365 半监督对抗单目深度估计

Semi-Supervised Adversarial Monocular Depth Estimation

摘要

-在本文中，我们讨论了当只有有限数量的训练图像深度对可用时的单目深度估计问题为了获得高的回归精度，目前最先进的估计方法依赖于使用大量图像深度对训练的cnn，这些图像深度对的获取成本高得令人望而却步，甚至不可行。为了打破这种昂贵数据收集的弊端，我们提出了一种半监督的对抗性学习框架，该框架仅利用少量的图像深度对和大量容易获得的单目图像来实现高性能。特别地，我们使用一个生成器来回归深度，使用两个鉴别器来评估预测的深度，即一个检查图像深度对，而另一个仅检查深度通道这两个鉴别器将它们的反馈作为损耗提供给生成器，以生成更真实和准确的深度预测。实验表明，该方法可以（1）通过有效地利用额外的未标记数据源来改进NYUD v2数据集上的大多数最新模型；（2）当训练集很小时（例如在Make3D数据集上）达到最新的精度；（3）很好地适应在带注释的数据集（在我们的例子中是kitti）。

贡献

我们提出了一个半监督框架，通过在深度估计任务中利用未标记的rgb图像来释放现代模型对图像深度对的依赖。
•我们通过对抗学习范式实现了半监督框架，其中一个生成器网络估计深度，而两个鉴别器网络分别检查估计深度图像对和深度。
•该框架适用于不同的网络架构。例如，生成器可以是任何前沿深度估计器。具体地说，在我们的实验中，在[2]、[3]、[14]中描述的网络都获得了性能增益。半监督框架也可用于数据集的自适应。

方法

两个鉴别器网络测量预测深度图（和图像）的分布与实际深度图（和图像）的距离。像l2范数这样的朴素损失通过每像素的差异来惩罚生成器，这往往导致理论上或经验上的整体模糊深度图。

实验