《Deep Learning-Based Monocular Depth Estimation Methods—A State-of-the-Art Review》阅读分享

论文阅读分享

abstract

摘要:红绿蓝(RGB)图像的单目深度估计是计算机视觉中一个研究较多的不适定问题，近十年来利用深度学习(DL)方法对其进行了深入研究。目前的单目深度估计方法大多依赖于卷积神经网络(Convolutional Neural Networks, CNN)。从二维图像中估计深度在各种应用中扮演着重要的角色，包括场景重建，三维物体检测，机器人和自动驾驶。这项调查提供了这个研究课题的一个全面的概述，包括问题的表示和一个简短的描述，传统方法的深度估计。回顾、评价和讨论了单目深度估计的相关数据集和13种先进的基于深度学习的方法。最后，我们展望了未来的研究工作，需要进一步研究单眼深度估计的挑战。

introduction

单目深度估计是计算机视觉的一个基本挑战，在机器人、场景理解、三维重建和医学成像等方面具有潜在的应用前景[1 4]。这个问题仍然具有挑战性，因为没有可靠的线索来感知从一个单一的图像的深度。例如，时间信息和立体对应在这样的图像中是缺失的。传统的深度估计方法严重依赖于多视图几何[5 9]，如立体图像[10,11]。这些方法需要校准和校准程序，这对于多相机或多传感器深度测量系统非常重要[12,13]。多视图方法利用视觉线索和不同的相机参数获取深度信息。
大多数的双目或多视图方法都能够相当准确地估计深度信息。然而，它们的计算时间和内存需求对于许多应用程序[14]来说是一个重要的挑战。使用单眼图像来捕获深度信息的想法可能会解决内存需求问题，但要捕获场景的全局属性(如纹理变化或散焦信息)，需要进行计算。
最近，卷积神经网络(CNN)和公开数据集的发展显著提高了单目深度估计方法的性能[15 19]。
本文对基于深度学习的单目深度估计方法进行了全面、系统的研究。本综述的目的是帮助读者了解这一新兴领域，近年来计算机视觉界对这一领域产生了浓厚的兴趣。调查的其余部分组织如下:第2节介绍了单目深度估计的概述和基本概念、问题描述、深度估计的传统方法和公开可用的数据集。第3节回顾了最近关于单目深度估计的深度学习架构，分为监督、自我监督和半监督三种方法。第4节比较了最先进的方法，然后讨论和潜在的未来研究方向在第5节提出。

数据集简短描述

基于深度学习的单目深度估计方法概括

文章也介绍了监督学习，自监督学习，半监督学习方法的发展历程。

评价指标

当前最先进的五种方法的对比效果研究

论文下载

论文标题为《Deep Learning-Based Monocular Depth Estimation Methods—A State-of-the-Art Review》，如有需要，可根据论文标题下载哦