摘要

自监督单目深度估计是一种极具吸引力的解决方案，其无需依赖难以获取的深度标签进行训练。近年来，卷积神经网络（CNNs）在该任务中取得了显著进展。然而，受限于有限的感受野，现有网络架构仅能进行局部推理，从而削弱了自监督范式的有效性。鉴于视觉Transformer（ViTs）近年来取得的突破性成果，本文提出MonoViT——一种全新的框架，将ViT模型所具备的全局推理能力与自监督单目深度估计的灵活性相结合。通过将标准卷积与Transformer模块相融合，我们的模型能够同时实现局部与全局的语义推理，从而在更精细的层次上提升深度预测的准确性和细节表现。实验表明，MonoViT在公认的KITTI数据集上达到了当前最优的性能水平。此外，该模型在Make3D和DrivingStereo等其他数据集上也展现出卓越的泛化能力，进一步验证了其鲁棒性与适用性。