深度学习驱动的单图像深度估计框架

"这篇综述探讨了基于深度学习的单图像深度估计技术，该技术主要应用于计算机视觉和人工智能领域，特别是在自动驾驶和三维重建等场景。当前的方法依赖于真实图像与深度对或立体图像对的训练数据，这些数据的获取较为困难。文章提出了一种框架，该框架利用合成图像深度对和未配对的真实图像进行训练，其中包括一个图像转换网络，以增强现实感。此外，文章还涵盖了监督学习、自我监督学习/无监督学习、半监督学习和领域适应等多种学习方法在深度估计中的应用。" 深度学习在深度估计中的应用始于2014年，如David Eigen的工作，他提出了一个结合全局和局部策略的深度网络，Coarse网络预测整体深度趋势，而Fine网络则在全局基础上进行局部优化，以减少尺度不变均方误差。 自我监督和无监督学习在深度估计中扮演了重要角色，它们避免了对标注数据的依赖。例如，通过利用左视图和右视图的几何一致性，可以实现无监督的单视图深度估计。这种方法利用视图之间的对应关系，即使在没有直接深度标签的情况下也能进行训练。另一方面，基于视频序列的深度估计方法，如Unsupervised Learning of Depth and Ego-Motion from Video，通过分析连续帧的运动，推断出深度信息，尽管它假设场景静态且所有像素点一一对应，这在实际环境中并不总是成立。 半监督学习在深度估计中则结合了有标签和无标签数据的优势，允许模型在有限的监督信息下学习更多的知识。而领域适应，如T2Net，旨在解决从合成数据到现实世界的转移问题，通过将合成图像转化为更接近真实世界的表示，提高了模型在实际场景中的泛化能力。 这个综述提供了深度估计领域的全面概述，展示了各种学习策略如何用于解决单图像深度预测的挑战，并且强调了从合成数据到真实世界应用的迁移在深度学习模型训练中的重要性。这些研究和方法的发展对于推动人工智能和自动驾驶等领域的发展具有重要意义。