Key points are not available for this paper at this time.
이 연구에서는 단일 단안 이미지로부터 깊이 추정을 하는 문제를 다룹니다. 신뢰할 수 있는 깊이 단서가 사용 가능하지 않기 때문에, 이 작업은 도전적인 일입니다. 이전의 연구들은 기하학적 선험 지식이나 추가 정보 출처를 활용하는 데 초점을 맞추었으며, 모두 수작업으로 만든 특징을 사용했습니다. 최근에는 심층 합성곱 신경망(CNN)에서 추출된 특징들이 다양한 비전 응용 프로그램에서 새로운 기록을 세우고 있다는 증거가 쌓이고 있습니다. 한편, 깊이 값의 연속적 특성을 고려할 때, 깊이 추정은 자연스럽게 연속 조건부 랜덤 필드(CRF) 학습 문제로 정식화될 수 있습니다. 따라서, 본 논문에서는 단일 이미지로부터 깊이를 추정하기 위한 심층 합성곱 신경망 필드 모델을 제안하며, 심층 CNN과 연속 CRF의 능력을 공동으로 탐색하는 것을 목표로 합니다. 구체적으로, 우리는 통합된 심층 CNN 프레임워크에서 연속 CRF의 단일 및 쌍 잠재량을 학습하는 심층 구조화 학습 계획을 제안합니다. 제안된 방법은 기하학적 선험 지식이나 추가 정보가 주입되지 않은 일반적인 장면의 깊이 추정에 사용될 수 있습니다. 우리의 경우, 분할 함수의 적분을 분석적으로 계산할 수 있으므로, 로그 우도 최적화를 정확히 해결할 수 있습니다. 또한, 새로운 이미지의 깊이를 예측하기 위한 MAP 문제 해결은 닫힌 형태의 해가 존재하므로 매우 효율적입니다. 실험적으로 제안된 방법이 실내 및 실외 장면 데이터 세트 모두에서 최신 깊이 추정 방법보다 우수함을 입증합니다.
Liu et al. (Mon,) 이 질문을 연구했습니다.