《Structure-Guided Ranking Loss for Single Image Depth Prediction》论文笔记

参考代码：Structure-Guided-Ranking-Loss

1. 概述

导读：在这篇文章中提出了一种在监督深度估计方法中的损失函数。该方法是属于pair-wise ranking loss族的，文章通过利用目标的分割结果提出了一些新的采样策略，也就是低层次的边缘采样与目标实例级别的采样。从而极大增强了损失函数的约束能力，提升了最后深度图预测在边缘部分的锐化成都，以及目标内部的一致性内在属性。

文章将之前一些方法的损失函数进行比较，其结果在边缘与目标内部均得到了不错的提升，见下图所示：

理解下面的内容，需要的背景知识：

1. 论文：Single- image depth perception in the wild
2. 读书笔记：Single-Image Depth Perception in the Wild笔记
3. 论文：Monocular relative depth per- ception with web stereo data supervision

2. 方法设计

2.1 original pair-wise ranking loss

文章中使用到的深度表达为inverse depth，RGB的图像经过网络之后得到估计出来的深度:
$$P=F(I)$$
在之前的论文中对于pair-wise的损失函数描述为：
$$\varphi (p_0-p_1)=\{\begin{array}{ll}log(1+exp(-l(p_0-p_1))),& \text{l=0}\\ (p_0-p_1{)}^2,& \text{l=0}\end{array}$$
其中采样过程中正负样本的判别条件为：
l = { + 1 p 0 ∗ / p 1 ∗ ≥ 1 + τ − 1 , p 0 ∗ / p 1 ∗ ≤ 1 1 + τ 0 , otherwise l= \begin{cases} +1 & \text{$p_0^{*}/p_1^{*}\ge1+\tau$} \\[2ex] -1, & \text{$p_0^{*}/p_1^{*}\le\frac{1}{1+\tau}$} \\[3ex] 0, & \text{otherwise} \end{cases} l=⎩⎪⎪⎪⎪⎨⎪⎪