Semi-Supervised Deep Learning for Monocular Depth Map Prediction

研究背景

监督学习通常需要大量的标记数据作为监督信号，标记数据通常由雷达或者深度相机获取，通过以上两种方式得到的数据稀疏且有噪声，相机之间的标定也不是很准确。
无监督学习，基于立体图像匹配的深度图重建本来就是一个不定的问题。

创新点

提出了结合了监督学习和无监督学习的半监督学习方法。
由上图可以看出本文的基本思路是：通过卷积网络得到两张图片之间的深度倒数$\rho (x)$。
监督方法就是将$\rho (x)$和通过雷达得到的真值Z(x)联合训练。
无监督方法就是通过立体相机baseline，焦距以及深度之间的关系得到另一张图片的像素位置。

损失函数

损失函数分为四部分：

1.无监督学习下的通过左侧图片预测右侧图片，这会得到一个误差
2. 无监督学习下的通过右侧图片预测左侧图片，这会得到一个误差
3. 有监督学习下的左侧深度和真值误差
4. 有监督学习下的右侧深度和真值误差