摘要

我们致力于从单张RGB输入图像中估计高质量的稠密深度图。首先，我们采用一个基准的编码器-解码器卷积神经网络架构，并探讨全局信息处理在提升整体深度估计性能方面的潜力。为此，我们提出一种基于Transformer的架构模块——AdaBins，该模块将深度范围划分为若干区间（bin），并针对每张图像自适应地估计每个区间的中心值。最终的深度值通过这些区间中心值的线性组合进行预测。实验结果表明，我们在多个主流深度估计数据集上，于各项指标上均显著超越当前最优方法。通过消融实验，我们进一步验证了所提模块的有效性，并公开了新模型的代码及对应的预训练权重。