CVPR2022
主要贡献
- 通过引入虚拟数据集将尺度信息解耦并估计。
方法
- 包含两个训练网络： A MDE network Φ : I → d \Phi: I \rightarrow d Φ:I→d, a Pose Estimation Network Ω : I a , I b → T ^ a → b \Omega: {I_a , I_b} \rightarrow \hat{T}_{a \rightarrow b} Ω:Ia,Ib→T^a→b; A ScaleNet δ : f Φ → s \delta:f_{\Phi} \rightarrow s δ:fΦ→s。s 为场景估计深度的尺度。
- 训练步骤：Stage1： 预训练一个 Φ \Phi Φ. Stage2:联合训练（红和蓝线）使得 Φ \Phi Φ 适应真实以及模拟数据集。Stage3: 用模拟数据集训练 ScaleNet δ \delta δ, { Φ \Phi Φ, Ω \Omega Ω}固定下来。
- 损失函数：
-
L
s
s
,
L
s
y
n
L_{ss}, L_{syn}
Lss,Lsyn分别指代自监督损失以及合成数据集损失。
L
s
y
n
L_{syn}
Lsyn是一阶范数。
-论文希望从自监督与训练模型中学习定性的深度，从合成数据集中学习sharp and smooth的深度，所以设置了以下的s domain specific 损失。
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
