论文笔记_S2D.49_2017-CVPR_从视频中无监督学习深度和运动估计(SFMLearner)

水深无声 2022-12-24 10:00 114阅读 0赞

# 基本情况 #

*  论文：Unsupervised Learning of Depth and Ego-Motion from Video
 *  出处：Zhou T, Brown M, Snavely N, et al. Unsupervised learning of depth and ego-motion from video\[C\]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 1851-1858.
 *  地址：[https://openaccess.thecvf.com/content\_cvpr\_2017/html/Zhou\_Unsupervised\_Learning\_of\_CVPR\_2017\_paper.html][https_openaccess.thecvf.com_content_cvpr_2017_html_Zhou_Unsupervised_Learning_of_CVPR_2017_paper.html]
 *  代码：[https://github.com/tinghuiz/SfMLearner][https_github.com_tinghuiz_SfMLearner]

# **内容** #

这是一篇从一段视频中恢复场景深度和相机pose的论文。

他可能是第一篇用深度学习的方法从一段**视频中**恢复camera的**pose**的方法，它用两个网络（严格意义上是3个网络，下文赘述）分别/独自**无监督**地估计单帧的深度，和视频序列中的camera的pose变化。最终得到的深度达到state of art，pose的精度也与ORB-SLAM2的localization模式（即没有丢失后的重定位以及以关键帧的全局BA为核心力量的回环检测）效果相当。  
![这里写图片描述][SouthEast]

Q1:pose估计是怎么找到的？  
A1:在已知当前帧depth，以及当前帧poses转换到将一个图像序列（视频）中其他帧的情况下，我们知道，可以将当前帧的每一个像素映射到其他帧上，然后最小化当前帧和其他帧映射位对应位置的光度误差来求出这些pose.  
![这里写图片描述][20180103004013318]  
Q2:那么先验深度预测怎么求出？  
A2:本文的框架为联合训练depth和pose，因此我猜测是在分别给定depth和pose一个初始值下，然后联合训练整个网络得到最终的depth和pose。虽然是联合训练，但最终得到的是两个模型：一个depth模型，一个pose模型。

## 1.简介 ##

所谓无监督，是指它利用的是一帧时间相邻的图像帧进行视图合成（View synthesis ）——对于某一目标帧It，用视频所有其他剩余帧，将这些帧中像素位置映射到目标帧It中。

无监督地估计深度的网络采用和DispNet相似的架构，输入是某一单帧It，输出其对应的深度图（实际上这个过程需要用到pose网络得到的pose）。作者尝试用多张图像来联合恢复深度(方法和《DeMoN: Depth and Motion Network for Learning Monocular Stereo》相同），但发现对精度没有提升。

估计pose的网络的输入是一张目标图像，以及其（时间上）附近的图像序列Is(s=t-1,t+1,t-2,t+2,…)，输出目标图像到附近的这些图像的位姿（欧拉角和位移（pose共6个自由度））。

利用以上得到的深度和位姿，将图像It上的图像块warp到Is，并通过卷积网络来最小化It与Is的总的光度误差，得到最终的pose。

## 2.价值函数 ##

视频序列中的某单帧估计深度，用类似于于SLAM直接法的方式来获得帧A与帧B之间的像素灰度值差异：  
![这里写图片描述][20180103002520466]

并对映射后的点进行双线性插值来获取灰度值。

由于光度一致性的假设是：图像中没有物体移动；图像图像没有遮挡；反射是漫反射（diffuse)。如果假设不成立，图像梯度会出现跳跃。这可能导致训练失败。  
为了避免这种情况，文章额外用了一个“解释性网络”来估计每个target和source图片对的mask，用这个mask（相当于target图像与每一个source图像组成的图像对都有一个mask）来降低弱纹理的图像部分的权重。其网络结构形似pose网络（如图1）,与pose共享前4层网络，随后分开分别求解释性pose和mask（可认为得到的mask大小为层数x(N-1)，即与其他所有帧，每两帧共享一层，Es就是每层中的数值。）  
于是上述的灰度差值的损失函数为：  
![这里写图片描述][20180103004509050]

为了避免Es最终被优化为0，给Es添加了形如softmax的交叉熵的正则项LregLreg

## 综合视图监督 ##

深度和姿态预测CNNs的核心的监督信息来源自*novel view synthesis*：给定场景的一个视图，合成一个相机在另一个不同姿态下的新图像。我们通过合成目标视图的深度图、这个时刻的pose和附近视角下的图像。而这个合成的步骤能通过CNNs的全可微操作实现。  
令$$作为待训练图像序列的输入，其中 *是目标视图，其他的图像序列为源视图* 。那么视图生成目标函数能通过下式表示：![a498203d500186bd5188688fda6a84de.png][]

为了输出（不论是深度还是视差）在图像分布中平滑，特别为了解决低纹理或估计值离真值太远时会造成梯度为0或梯度错误的情况，大家一般会有两种思路：将周围的梯度传递给当前像素；和其他无监督方法一样用一个表征平滑度的正则化。本文受SfmNet启发，采用后一种方案。作者是用深度图的二阶梯度的L1的正则项来提取平滑信息。

所以最终的代价函数：

![这里写图片描述][20180103004054866]

## 3.网络实现 ##

depth估计如图：每层跟batch normalization和relu。  
训练时用了Adam。  
最终网络结构如图：  
![这里写图片描述][SouthEast 1]

## 4.试验结果 ##

最后结果如图：  
![这里写图片描述][20180103004231528]

如图，可见该网络不如Godard的[左右一致性检查一文][Link 1]的结果。作者认为原因可能是由于Godard所谓的左右一致性本质上是已知两帧之间的pose，而当前的深度预测是基于预测的不精确的pose。

不过要想到，本文的深度其实是一个中间值（intermediate value），它的主要公用是用于pose估计。  
此外，作者提到他们的解释网络没有很好地表现，可能是因为测试集中图像大多是静态的图，中没有太多遮挡的情况（遮挡的情况大多3帧内就会消失)，但发现他们的解释网络具有良好的预测图像动态部分能力。  
作者最后认为当前还可以从以下几个方面进步：

*  没有考虑实际环境中可能出现的物体移动和遮挡。当然作者提到可以借鉴 motion segmentation的工作成果，这也是上次组会导师提到的参考方向。
 *  目前还需要内参已知，如果利用往上随处可获得的video来估计（内参不知）？
 *  用更加好的深度预测（我认为这也是pose估计一个很核心的任务。有了更好的三维点，就有更小的重投影误差），比如利用体素

# 参考： #

*  [论文笔记-深度估计(6)-Unsupervised Learning of Depth and Ego-Motion from Video][-_6_-Unsupervised Learning of Depth and Ego-Motion from Video]
 *  [SfMLearner学习笔记][SfMLearner]

[https_openaccess.thecvf.com_content_cvpr_2017_html_Zhou_Unsupervised_Learning_of_CVPR_2017_paper.html]: https://openaccess.thecvf.com/content_cvpr_2017/html/Zhou_Unsupervised_Learning_of_CVPR_2017_paper.html
[https_github.com_tinghuiz_SfMLearner]: https://github.com/tinghuiz/SfMLearner
[SouthEast]: /images/20221120/2c9cc988854141a2af04e2762057800c.png
[20180103004013318]: /images/20221120/74578b70148e43b981ed813e88f6b9cd.png
[20180103002520466]: /images/20221120/f01491c3beb547f9b043dee8d8757a74.png
[20180103004509050]: https://img-blog.csdn.net/20180103004509050
[a498203d500186bd5188688fda6a84de.png]: https://img-blog.csdnimg.cn/img_convert/a498203d500186bd5188688fda6a84de.png
[20180103004054866]: https://img-blog.csdn.net/20180103004054866
[SouthEast 1]: https://img-blog.csdn.net/20180103004421599?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvS2V2aW5fY2M5OA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[20180103004231528]: https://img-blog.csdn.net/20180103004231528
[Link 1]: http://blog.csdn.net/kevin_cc98/article/details/78945802
[-_6_-Unsupervised Learning of Depth and Ego-Motion from Video]: https://blog.csdn.net/kevin_cc98/article/details/78957218
[SfMLearner]: https://zhuanlan.zhihu.com/p/34865837