摘要

单目深度估计是一个病态问题，因此其性能高度依赖于场景先验知识和语义信息。由于该问题的复杂性，我们提出了一种基于语义分而治之策略的深度神经网络模型。该模型将场景分解为若干语义片段，包括物体实例与背景类别（stuff类），并在一个规范空间中分别为每个语义片段预测尺度和位移不变的深度图。同一类别下的语义片段共享相同的深度解码器，从而将全局深度预测任务分解为一系列针对特定类别的子任务，这些子任务更易于学习，并且能够更好地泛化至新的场景类型。最后，模型通过利用图像的全局上下文信息，预测每个局部深度片段的尺度与位移，进而将各局部深度图拼接成完整的深度图。该模型采用端到端的方式进行训练，损失函数结合了全景分割与深度预测的多任务目标，因此能够有效利用大规模全景分割数据集来增强模型的语义理解能力。我们在三个基准数据集上验证了所提方法的有效性，并取得了当前最优的性能表现。