自监督单目深度估计的自提取特征聚合

近期，自监督单目深度估计在计算机视觉中受到了广泛关注。大多数现有的文献都通过直接连接或逐元素加法来汇集多尺度特征进行深度预测。然而，这样的特征聚合操作通常忽略了多尺度特征之间的上下文一致性。为解决这一问题，我们提出了自我蒸馏特征聚合（SDFA）模块，该模块可以同时聚合一对低尺度和高尺度特征，并保持它们的上下文一致性。SDFA采用三个分支来学习三个特征偏移图：一个偏移图用于精炼输入的低尺度特征，另外两个用于按照设计的自我蒸馏方式精炼输入的高尺度特征。接着，我们提出了一个基于SDFA的网络进行自监督单目深度估计，并设计了一个自我蒸馏的训练策略来使用SDFA模块训练所提出的网络。KITTI数据集上的实验结果表明，所提出的方法在大多数情况下都优于比较的最先进方法。