The Devil is in the Edges: Monocular Depth Estimation with Edge-aware Consistency Fusion

本文提出了一种新的单目深度估计方法，名为ECFNet，可以从单个RGB图像中估计出具有清晰边缘和有效整体结构的高质量单目深度。我们对影响MDE网络边缘深度估计的关键因素进行了彻底的探究，并得出结论：边缘信息本身在预测深度细节方面起着至关重要的作用。在这个分析的基础上，我们提出明确地将图像边缘作为ECFNet的输入，并融合来自不同来源的初始深度以产生最终深度。具体而言，ECFNet首先使用混合边缘检测策略从输入图像中获取边缘图和边缘突出的图像，然后利用预训练的MDE网络推断上述三个图像的初始深度。之后，ECFNet利用分层融合模块（LFM）来融合初始深度，然后通过深度一致性模块（DCM）对其进行进一步更新以形成最终估计。公共数据集上的广泛实验结果和消融研究表明，我们的方法实现了最先进的性能。项目页面：https://zrealli.github.io/edgedepth。

本论文旨在解决单目深度估计中存在的边缘信息缺失问题，提出了一种新的方法ECFNet。

论文提出了一种基于图像边缘信息的单目深度估计方法ECFNet，使用深度一致性模块和分层融合模块来提高深度估计的准确性。

论文使用了深度一致性模块和分层融合模块来提高深度估计的准确性，并在公共数据集上进行了广泛的实验。实验结果表明，该方法的性能达到了最先进水平。论文还提供了开源代码和项目页面。

与本文相关的研究包括：《Monocular Depth Estimation with Hierarchical Fusion of Dilated CNNs and Soft-weighted-sum Inference》、《Edge-Preserving Single Image Super-resolution》等。