摘要

尽管卷积神经网络在各类计算机视觉任务中展现出巨大影响力，但由于卷积操作固有的局部性，其在显式建模长距离依赖关系方面通常存在局限。最初为自然语言处理任务而设计的Transformer架构，凭借其内在的全局自注意力机制，能够有效捕捉长距离依赖关系，因而成为一种有前景的替代方案。本文提出了一种名为TransDepth的新架构，该架构融合了卷积神经网络与Transformer的优点。为避免因引入Transformer而导致网络丧失捕捉局部细节的能力，我们设计了一种新颖的解码器，其基于门控机制的注意力机制，可更有效地保留局部特征。值得注意的是，本文是首个将Transformer应用于具有连续标签的像素级预测任务的研究，包括单目深度估计与表面法向量估计。大量实验结果表明，所提出的TransDepth在三个具有挑战性的数据集上均取得了当前最优的性能表现。相关代码已开源，地址为：https://github.com/ygjwd12345/TransDepth。