![ab77509a-d236-eb11-8da9-e4434bdf6706.png](http://p01.5ceimg.com/content/ab77509a-d236-eb11-8da9-e4434bdf6706.png)
原文首发于微信公众号「3D视觉工坊」:基于单目图像无监督学习的深度图生成
01 论文的主要思想
如图1所示,网络的输入只需左相机图像,在训练阶段通过左右相机图像作为监督。注意,这里的无监督学习指的是,不需要深度图作为监督,但仍需左右相机图像对网络进行监督,采集数据时,仍需要采集左右相机图像。
![ac77509a-d236-eb11-8da9-e4434bdf6706.png](http://p02.5ceimg.com/content/ac77509a-d236-eb11-8da9-e4434bdf6706.png)
图2所示为网络的主要结构,其中C代表卷积,UC代表向上卷积(转置卷积),S代表双线性采样,US代表上采样,SC代表跳跃连接。注意:s代表双线性采样,其实主要用于增强生成的视差图,因为视差图经常会出现一些噪声点甚至是空洞,因此很有必要通过双线性插值来增强生成的视差图。SC存在的目的其实就是在多尺度Feature Map上进行视差图的生成,这个思想和FCN以及多尺度物体检测的原理是相同的。