GeoNet学习笔记

GeoNet: Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose-CVPR2018

这篇论文提出了一种联合学习深度、光流和相机姿态的无监督学习框架GeoNet。

之前的论文单独讨论深度、光流、相机姿态，没有讨论这些任务之间的相关性。

GeoNet是基于3D场景几何的本质特征，直观的解释就是——3D场景都是由静态背景（道路、房屋、树木等）和动态目标（行人、车辆等）构成的，静态背景在视频帧之间的2D投影图像完全由深度结构和相机运动决定，可以用光流模拟相机运动。动态目标的运动由相机运动和自身的运动共同决定。

GeoNet的主要贡献是：

• 采用了一种“分而治之”的策略，分别学习刚体流和物体运动。在每个阶段用合成视图和原图的相似度误差来引导与监督学习；
• 引入自适应几何一致性损失，通过前向-反向一致性检查，自动过滤遮挡和可能的异常值。

GeoNet指出Monodepth对所有像素一视同仁，这会影响在遮挡区域的几何一致性损失。GeoNet提出的自适应几何一致性损失能够弥补这一问题。

而另一篇估计深度和相机姿势的论文SfMLearner再考虑物体运动时使用了一个可解释的掩膜作为补偿。

通过理解3D场景的本质，将理解3D场景这一问题分解为两个子问题，即刚体流（rigid flow）和物体运动（object motion）。

为了给严格受限制的刚体流建模，定义帧的深度图为，目标帧（t）到源帧（s）的相机运动为，由此来定义静态场景几何体。相对的从目标图像到源图像的2D刚体流表示为

表示相机内在矩阵（camera intrinsic），表示中像素的齐次坐标。

GeoNet的整体网络架构如下图所示：

在DepthNet中，训练数据是时间上连续的帧，整个序列作为一个mini-batch输入DepthNet。

与之形成对比的是，PoseNet将整个序列在channel通道上串联作为输入，输出6DoF的相机姿态。

DepthNet采用了编码器encoder+解码器decoder的结构，编码器部分以ResNet50作为基本结构，解码器部分由反卷积层构成，并且在encoder和decoder之间的相同分辨率上采用了skip connections，进行了多尺度下的预测。这样能够同时保留全局高层次特征和局部细节信息。训练数据是一组时间上连续的视频帧（已知相机内参），其中是目标帧，作为参考帧，其他帧都是源帧。DepthNet回归得到不同分辨率下的深度图（原图大小，1/2,1/4,1/8）。

---

 和