Die Vorhersage der Szenentiefe aus monokularen Bildern ist entscheidend in Bereichen wie räumlicher Wahrnehmung und Computer Vision. Unüberwachte Tiefenbestimmungsmethoden, die auf Sichtsynthetisierung basieren, ignorieren jedoch oft die signifikante Auswirkung nicht-Lambertianischer Oberflächen und Geisterartefakte. In dieser Studie schlagen wir einen selbstlernenden Tiefenrekonstruktionsrahmen vor. Dieser Rahmen führt einen Tiefenkonsistenzverlust ein, um das Scheitern der photometrischen Annahme in nicht-Lambertianischen Regionen auszugleichen. Zusätzlich entwerfen wir einen intrinsischen Konsistenzverlust, der Varianz als spieltheoretische Strategie nutzt, um die Robustheit unseres Modells sicherzustellen. Schließlich führen wir eine physik-inspirierte Geistermaske ein, um Geisterartefakte zu eliminieren. Wir entwerfen auch eine Multi-Path Transformer-Schicht, die die Fähigkeit des Transformers zur globalen Abhängigkeitsmodellierung in CNNs integriert und somit die Leistung des Modells verbessert. Experimentelle Ergebnisse zeigen, dass unser Modell in nicht-Lambertianischen Regionen hervorragende Leistungen erzielt. Im Vergleich zu modernsten Methoden, die lediglich auf der photometrischen Annahme basieren, erzielt unsere Methode durchschnittliche Verbesserungen von 9,29 % und 2,86 % bei den Sq Rel- und RMSE-Metriken über drei Netzwerkmodelle hinweg. Darüber hinaus zeigt es herausragende Zero-Shot-Generalizierungsfähigkeit auf externen Datensätzen. Der Quellcode ist erhältlich unter https://github.com/IkeFwd/Icdepth.
Li et al. (Di,) haben diese Frage untersucht.