东英吉利大学 | SUB-Depth：自蒸馏和不确定性提升自监督单目深度估计

论文标题： SUB-Depth: Self-distillation and Uncertainty Boosting Self-supervised Monocular Depth Estimation

作者单位：东英吉利大学

我们提出了 SUB-Depth，这是一种用于自监督单目深度估计 (SDE) 的通用多任务训练框架。使用 SUB-Depth 训练的深度模型优于在标准单任务 SDE 框架中训练的相同模型。通过在标准 SDE 训练框架中引入额外的自蒸馏任务，SUB-Depth 训练深度网络，不仅可以预测图像重建任务的深度图，还可以从训练有素的教师网络中提取未标记数据的知识。为了利用这种多任务设置，我们为每个任务提出了同方差不确定性公式，以惩罚可能受教师网络噪声影响或违反 SDE 假设的区域。我们对 KITTI 进行了广泛的评估，以展示通过使用所提出的框架训练一系列现有网络所取得的改进，并且我们在此任务上取得了最先进的性能。此外，SUB-Depth 使模型能够估计深度输出的不确定性。