डेटा-फ्री डिस्टिलेशन के माध्यम से मजबूत हल्का गहराई अनुमान मॉडल

मौजूदा मोनोकुलर गहराई अनुमान (MDE) विधियाँ अक्सर बड़े और जटिल तंत्रिका नेटवर्क का उपयोग करती हैं। इन तरीकों के उन्नत प्रदर्शन के बावजूद, हम सीमित संसाधनों के साथ व्यावहारिक अनुप्रयोगों के लिए दक्षता और सामान्यीकरण पर विचार करते हैं। अपने पेपर में, हम एक कुशल ट्रांसफार्मर-आधारित मोनोकुलर सापेक्ष गहराई अनुमान नेटवर्क प्रस्तुत करते हैं और इसे विविध गहराई डेटासेट के साथ प्रशिक्षित करते हैं ताकि अच्छा सामान्यीकरण प्रदर्शन प्राप्त किया जा सके। ज्ञान डिस्टिलेशन (KD) का उपयोग एक पूर्व-प्रशिक्षित शिक्षक नेटवर्क से कॉम्पैक्ट छात्र नेटवर्क में सामान्य ज्ञान को स्थानांतरित करने के लिए किया जाता है, यह साबित करता है कि KD सामान्यीकरण क्षमता और सटीकता दोनों में सुधार कर सकती है। इसके अलावा, हम विशेष क्षेत्रों में लेबल-मुक्त डिस्टिलेशन विधि का प्रस्ताव करते हैं ताकि बिना लेबल वाले डेटा के साथ 3D ज्यामितीय संकेतों का उपयोग करके हल्के मॉडल में सुधार किया जा सके। हम दिखाते हैं कि हमारा तरीका अन्य KD विधियों की तुलना में, जमीन सत्य पर्यवेक्षण के साथ या बिना में बेहतर प्रदर्शन करता है। अंत में, हम हल्के नेटवर्क को दो-चरणीय गहराई पूर्णता कार्य के लिए एक अनुप्रयोग का प्रस्ताव करते हैं। हमारी विधि बड़े नेटवर्क की तुलना में समान या यहां तक कि बेहतर क्रॉस-डोमेन सामान्यीकरण क्षमता दिखाती है।