用于深度估计的边缘增强自适应加权网络ADAPTIVE WEIGHTED NETWORK WITH EDGE ENHANCEMENT MODULE FOR MONOCULAR SELF-SUPERVIS

ADAPTIVE WEIGHTED NETWORK WITH EDGE ENHANCEMENT MODULE FOR MONOCULAR SELF-SUPERVISED DEPTH ESTIMATION

用于深度估计的边缘增强自适应加权网络

  （个人观点）怎么说呢，看完这篇我直接狂喜好吧，传统的边缘提取加损失函数的变体构建两个创新点，指标方面R50打R18，直接上驷对下驷。咱就是说就算不是图像方面的顶会，这也会被人们看到的呀。还是大写的羡慕，不知道ICASSP在评审的时候有没有说他的论文不够novelty，有没有问他为什么没有对比最新的文献，有没有说他描述不够精炼？总不能四海之内都是兄弟的吧？

0 Abstract

  自监督单目深度估计广泛的应用与其他领域，但是目前的方法不能很好的预测图像边界的深度信息，因为遮挡和纹理系数会导致光度一致性评估错误。为了解决上述问题，本文提出了EEM的边缘增强模块和基于纹理系数度的TSAW加权损失函数，其中EEM加强边界信息的深度提取，TSAM根据系数度分配不同的权重，从而更有针对性地构建几何约束。KITTI上测评优异。

1 Introduction

  深度估计是计算机视觉的一个基本问题，目的是从二维图像中获得不同场景的三维信息。准确的深度估计在三维重建、自动驾驶和增强现实等方向都有着广泛的应用。随着深度学习的快速发展，一些研究人员利用监督信号来训练卷积神经网络，以便于从RGB图像中恢复深度信息。但是监督方法需要大量的标记数据来训练模型，从而限制了应用场景的灵活性。与此相反的是，自监督学习利用固有的约束方法作为监督信号，而不使用任何其