知識蒸留と軽量アテンションによる効率的な自己教師付き単眼深度推定

深度推定はロボットや自律システムにとって重要な知覚タスクであり、自己教師付きの単眼アプローチは地上真実ラベルからの独立性により注目を集めています。しかし、これらの手法は光学的一貫性への依存から不安定なトレーニングを示すことがよくあります。本論文では、計算コストを削減しながら予測精度を向上させる効率的な自己教師付き深度推定フレームワークを提案します。トレーニングの安定性は基盤モデルからの擬似ラベルを使用した知識蒸留により強化され、グローバルな空間表現を強化するために軽量のアテンションモジュールが導入されています。モデルパラメータを40％、FLOPsを20％削減しながら、KITTI Eigen分割での実験はベースラインと比較してabsᵣelとパフォーマンスの向上を示しました。