读论文 The Edge of Depth Explicit Constraints between Segmentation and Depth
The Edge of Depth: Explicit Constraints between Segmentation and Depth
一句话总结
明摆着用语义来约束深度估计
相关工作
10，12 自监督；需要事先知道两个相机的位置，把深度估计问题转化为 差异图 估计。
10: Unsupervised cnn for single view depth estimation:
Geometry to the rescue. In Proceedings of the European
Conference on Computer Vision (ECCV), pages 740–756,
2016.
✅ 12： Unsupervised monocular depth estimation with left
right consistency. ； 2017
29， 39 正则项；
29: Superdepth: Self-supervised, super-resolved monocular depth
estimation. In Proceedings of the International Conference on Robotics and Automation (ICRA), pages 9250–9256,2019
39: Deep virtual stereo odometry: Leveraging deep depth prediction for monocular direct sparse odometry. In Proceedings
of the European Conference on Computer Vision (ECCV),
pages 817–833, 2018
35， 42，45 从视频序列
35: Sfm
net: Learning of structure and motion from video. arXiv
preprint arXiv:1704.07804, 2017.
42: Geonet: Unsupervised learn
ing of dense depth, optical flow and camera pose. In Pro
ceedings of the IEEE Conference on Computer Vision and
Pattern Recognition (CVPR), pages 1983–1992, 2018.
45: Unsupervised learning of depth and ego-motion from
video. In Proceedings of the IEEE Conference on Computer
Vision and Pattern Recognition (CVPR), pages 1851–1858,
2017.
自监督需要一些辅助： 光流 42，表面法线 40；语义分割 3，27，36，44；
光流和相机的自移动，目标移动；表面法线就是3d里面的深度渐变方向？？
而语义分割是相当特别的，它看起来跟深度相关，但是很难找到一个它和深度的确定性的关系。
3，36 共同训练了 语义网络 和 深度网络，表明对两者都好。
44 学会了一个转换，语义分割 和 深度特征空间；
本文的思路
本文探索了一个未曾探索的议题： 语义分割 和 深度 的边缘，是共享的；
本文的目标在于： 令单目自监督的深度估计 得到的 结果和 语义分割的副本 更加一致和对齐。
不能把 语义边缘 和 深度边缘的差距 当作 loss ，而是会当作 一个 贪心搜索。
深度图的重建 用 Beier–Neely morphing algorithm
语义标签里面 存在噪声；所以训练过程需要稳定 和 提升。方法是： 参考立体图像的处理方式，对两张图的 里面的 egde 进行 mask， 这就会造成一个 新的 立体 遮挡mask 到 loss 里面。
morphing technique: 变种技术；
总结下我们的贡献：
- 定义 ，并 利用了 边缘约束，在 语义 和 深度 之间，这让深度边界 更加 匹配/一致/对应 语义边界
- 减少了 bleeding artifacts, 提升了在物体边界那里的深度预测效果
- 在自监督方面，实现了 SOTA，在绝对相对误差abs rel 上 达到了和 有监督的方法媲美的
再度回忆相关的工作
光度上的损失loss，主要可以归纳为两原因：
1， 遮挡
2， 纹理不清晰的，天空，路，树叶，窗户，无法受到足够的监督信号
怎么解决：
1， 一个 立体遮挡mask
2. 从语义分割任务里面 提供额外的监督信息
一个有效的 遮挡 mask 基于单张 差异 map 图
额外的modality/形式；
深度预测需要帮助，以前有用 表面 法线的，语义的，光流的，立体匹配的（33，38）
33 ： Learning monocular depth estimation infusing traditional stereo knowledge. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR),
pages 9799–9809, 2019
38: . Self-supervised monocular depth
hints. In Proceedings of the IEEE International Conference
on Computer Vision (ICCV), pages 2162–2171, 2019.
语义和其他形式 对 深度估计的 辅助 不同，因为其他形式 可以 找到 和深度的 数学关系，但是 语义很难找到 跟 深度 有什么 确定 的关系。所以之前的 工作，都是用 语义 当作 一个 暗中帮助的线索，但是我们就是明着用 语义。
我们认为之前的工作，是如何用 语义的呢？有三种方式用：
- 共享 权重的方式 用 语义结果，3， 36
- 混合 深度 和 语义 的 feature；27，36，44；CRF：conditional random field
- 21,31, 用 深度 和 语义 的统计关系，建模两者之间的这种不确定性
明着用 语义 这种形式， 来帮助 深度 估计，需要克服几个问题：
- 语义 和 深度 实际上，仅仅共享 不多 的边缘，部分的边缘
- 写出来一个 可微分的 函数 来连接 【二值的】边界 ，和 连续的语义 ，这挑战很高。
本文的贡献，就在于 克服这俩 问题。
第三节：本文提出的方法
edge edge consistency loss , 但是 这个 loss 不可微分。
circumvent：包围，陷害；得到一个 优化的 深度图
在训练的时候，，需要立体的图片 和 实现计算的 语义 标签。
就是他： 明显的深度 - 语义 的一致性
T 是一个 边缘，定义如下：
大概的意义我猜是这样的： 在左图中，前面的像素 遮挡了 后面的像素，在右图中，这种遮挡就可能不存在，或者存在很少，但是 在 大一统的 计算过程中，算法还是固执地 认为被遮挡的像素，就是原来物体的一部分，于是在最后生成的 disparity图 ，或者说 深度图中，就会出现一个情况：边缘在流血。
bleeding artifact ，原文是这样说的。如何处理这个 问题呢？
使用 一个 遮挡指示矩阵 M
具体的还是没看懂，现在 你可以i知道的 结论是： 但凡被M认定的区域，都是 有可能是 被遮挡的，到时候，计算 loss 的时候，这个区域会被特殊处理；我猜啊，要么是忽略之，要么是什么真的非常奇特的花样去处理它。
3.3 网络 和 loss 函数
detail的 咱们不看，就看看 每个 项目 是什么 意思吧：
lr 是 一个 光流 的 重建 损失；
lg 是 morph 的loss
lp 是个 立体 代理 loss
然后，咱们再看看 每个 是怎么写的：
另外还说了 一个 fine tuning 的 loss ：
第四节：实现的细节
看人家的代码：
http://cvlab.cse.msu.edu/project-edgedepth.html