Los puntos clave no están disponibles para este artículo en este momento.
Los métodos autosupervisados de múltiples cuadros han logrado actualmente resultados prometedores en la estimación de profundidad. Sin embargo, estos métodos a menudo sufren de problemas de desajuste debido a los objetos en movimiento, que rompen la suposición de estática. Además, puede ocurrir injusticia al calcular errores fotométricos en regiones de alta frecuencia o baja textura de las imágenes. Para abordar estos problemas, los enfoques existentes utilizan redes de caja negra semánticas adicionales para separar los objetos en movimiento y mejorar el modelo solo a nivel de pérdida. Por lo tanto, proponemos FlowDepth, donde un Módulo de Flujo de Movimiento Dinámico (DMFM) desacopla el flujo óptico mediante un enfoque basado en mecanismos y deforma las regiones dinámicas resolviendo así el problema de desajuste. Para la injusticia de los errores fotométricos causados por regiones de alta frecuencia y baja textura, utilizamos Desenfoque Consciente de la Profundidad (DCABlur) y pérdida de escasez de Cost-Volume respectivamente a nivel de entrada y de pérdida para resolver el problema. Los resultados experimentales en los conjuntos de datos KITTI y Cityscapes muestran que nuestro método supera a los métodos de vanguardia.
Sun et al. (Thu,) estudiaron esta cuestión.