DID-M3D: Decoupling Instance Depth for Monocular 3D Object Detection用于单目3D目标检测的解耦实例深度

论文信息

标题：DID-M3D: Decoupling Instance Depth for Monocular 3D Object Detection

作者：Liang Peng, Xiaopei Wu, Zheng Yang, Haifeng Liu, Deng Cai

来源：2022 European Conference on Computer Vision (ECCV)

原文链接：https://arxiv.org/abs/2207.08531

代码链接：https://github.com/SPengLiang/DID-M3D

引言

因为深度信息在相机投影过程之后容易丢失，因此实例深度估计是提高性能的瓶颈。

主要贡献

1.指出了实例深度的耦合性，提出将实例深度解耦为属性深度和视觉深度；

2.提出两种不确定性表示深度估计的置信度，一个是属性深度的不确定性，另一个是视觉深度的不确定性；

3.减轻了在数据增强中使用仿射变换的局限性；

4.设置了新的技术状态SOTA；

网络架构

总体设计遵循GUPNET，红色部分表示论文新提出的组件，用于解耦实例深度