摘要

本文研究基于深度神经网络的单目深度估计问题。为实现利用多种数据源训练深度单目估计模型，当前先进方法通常采用图像级归一化策略，以生成仿射不变的深度表示。然而，基于图像级归一化的学习方式主要关注像素表示与图像全局统计特征之间的关系（如场景结构），容易忽略细粒度的深度差异。为此，本文提出一种新型多尺度深度归一化方法，该方法基于空间信息与深度分布，分层地对深度表示进行归一化。相较于以往仅在整体图像层面应用的归一化策略，所提出的分层归一化方法能够更有效地保留细粒度细节，显著提升估计精度。本文进一步提出了两种不同的分层归一化策略，分别在深度域和空间域中定义归一化上下文。大量实验结果表明，所提出的归一化策略显著优于现有方法，并在五个零样本迁移基准数据集上取得了新的最先进性能。