MonoPCC: Photometric-invariant Cycle Constraint for Monocular Depth Estimation of Endoscopic Images

光度约束是自监督单目深度估计中不可或缺的。它涉及使用估计的深度和姿态将源图像变形到目标视图上，然后最小化变形和目标图像之间的差异。然而，内置光源导致明亮度波动显著，从而使光度约束不可靠。以前的努力仅依靠额外的模型来校准图像亮度来缓解这种情况。在本文中，我们提出了MonoPCC，通过将光度约束重新塑造成一个循环形式来彻底解决亮度不一致问题。MonoPCC不仅仅是将源图像变形，而是构建了一个由两个相反的前向-后向变形路径组成的闭环：从目标到源，然后返回到目标。因此，目标图像最终接收到一个从自身循环变形的图像，这自然使约束对亮度变化不变。此外，MonoPCC将源图像的相位频率移植到中间变形图像中，以避免结构损失，并通过指数移动平均（EMA）策略稳定训练，以避免前向变形的频繁变化。在四个内窥镜数据集上的全面和广泛的实验结果表明，我们提出的MonoPCC对亮度不一致表现出极强的鲁棒性，并且通过将绝对相对误差分别减少至少7.27％，9.38％，9.90％和3.17％，超过了其他最先进技术。

论文旨在解决内窥镜图像中光照不一致性对于自监督单目深度估计的影响问题。

论文提出了MonoPCC方法，将光度约束转化为一个循环形式的闭环，通过两个相反的前向-后向变形路径构建一个闭环，从而使目标图像最终接收到一个从自身循环变形的图像，从而使约束不受亮度变化的影响。

论文的亮点在于MonoPCC方法的创新性，通过构建一个闭环来解决光照不一致性问题，并将源图像的相位频率移植到中间变形图像中，以避免结构丢失。此外，论文还采用指数移动平均策略来稳定训练，避免前向变形频繁变化。论文在四个内窥镜数据集上进行了全面和广泛的实验，证明了MonoPCC方法在光照不一致性方面具有很强的鲁棒性，并且至少将绝对相对误差降低了7.27％，9.38％，9.90％和3.17％。

在这个领域中，最近的相关研究包括：《Unsupervised Monocular Depth Estimation with Left-Right Consistency》、《Depth Estimation via Affinity Learned with Convolutional Spatial Propagation Network》等。