Motivation
- 信息的全局处理会帮助提高整体深度估计。
- 提出的AdaBins预测的bin中心集中在较小的深度值附近，对于深度值范围更广的图像，分布广泛。
- Fu et al. 发现将深度回归任务转化为分类任务可以提升效果，将深度范围分成固定数量的bins。本文则解决了原始方法的多个限制：
- 计算根据输入场景的特征动态变化的自适应箱。
- 分类方法导致深度值的离散化，导致视觉质量差，深度不连续明显,论文提出预测最终的深度值作为bin中心的线性组合。
- 以高分辨率全局计算信息，而不是主要是在低分辨率的瓶颈部分。
AdaBins design
- 首先，我们采用一个适应性分箱策略把具体的深度区间 D = ( d m i n , d m a x ) D=(d_{min},d_{max}) D=(dmin,dmax)分成N bins。
- 我们将最终深度预测为 bin 中心的线性组合，使模型能够估计平滑变化的深度值。
- 当在空间更高分辨率的张量上使用注意力时，可以获得更好的结果。因此采用了这样的结构: Encoder, Decoder, and finally attention。
- 由于内存限制，使用h=H/2,w=W/2的空间分辨率处理，最终的depth图像通过简单的bilinearly上采样到(H,W)。
- AdaBins的第一个模块是miniViT.输出：1) 向量 b , 定义了它如何将深度区间D划分为输入图像。2）Range-Attention 图 R \mathcal{R} R，形状是 h × w × C h \times w \times C h×w×C, 包含了像素级深度计算信息。
- Bin-widths: 使用MLP头和ReLU层输出N维(bin的数量)向量b' 。最后通过Softmax归一化b' 。
b i = b i ′ + ϵ ∑ j = 1 N ( b j ′ + ϵ ) b_i = \frac{b'i + \epsilon}{\sum^N{j=1}(b'_j + \epsilon)} bi=∑j=1N(bj′+ϵ)bi′+ϵ - Range attention maps : Transformer中包含了更多的全局信息。来自转换器的output embedding (2,C+1)作用一组1x1的卷积核,并与解码器的特征卷积获得 R \mathcal{R} R。这相当于将pixel-wise 特征视为'keys', transformer output embedding相当于'queries'。
- Hybrid regression :
R \mathcal{R} R 通过 1 × 1 卷积层获得 N 个通道，然后通过 Softmax。每个像素每个通道的数值作为这个bin的概率，每个depth-bin-centers可以算为：
c ( b i ) = d ( m i n ) + ( d m a x − d m i n ) ( b i / 2 + ∑ j = 1 i + 1 b j ) c(b_i) = d_(min) + (d_{max} - d_{min})(b_i/2 + \sum^{i+1}{j=1}b_j) c(bi)=d(min)+(dmax−dmin)(bi/2+∑j=1i+1bj)
最后，对于每一个pixel, 最终的 d ~ \tilde{d} d~计算为线性组合 c ( b i ) c(b_i) c(bi),
d ~ = ∑ k = 1 N c ( b k ) p k \tilde{d}= \sum^N{k=1}c(b_k)p_k d~=∑k=1Nc(bk)pk。
Loss function
- Pixel-wise depth loss. 使用一个尺度不变损失 (SI) 的缩放版本:
- g i = l o g d ~ i − l o g d i g_i = log \tilde{d}_i - log d_i gi=logd~i−logdi。
- Bin-center density loss: 鼓励bin centers的分布与真实标签相同。我们将 bin 中心的集合表示为 c(b)，将地面实况图像中所有深度值的集合表示为 X，并使用双向倒角损失 [9] 作为正则化器：
Reference
-
1\]FU H, GONG M, WANG C, et al. Deep Ordinal Regression Network for Monocular Depth Estimation\[C/OL\]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT. 2018. http://dx.doi.org/10.1109/cvpr.2018.00214. DOI:10.1109/cvpr.2018.00214.