作者：小柠檬 | 来源：3DCV

在公众号「3DCV」后台，回复「原论文」可获取论文pdf

通过无监督学习估计单眼深度和自我运动已成为自动驾驶、移动机器人和增强现实 (AR)/VR 应用中一种有前途的方法。它避免了收集大量地面实况的大量工作，并进一步提高了同步定位与建图（SLAM）系统中的场景构建密度和长期跟踪精度。然而，由于现实驾驶场景中的快速移动，现有方法很容易受到照明变化和模糊图片的影响。在本文中，我们提出了一种新颖的无监督学习框架，以融合视觉和惯性测量的互补优势，以进行单目深度估计。它学习多个子空间的前向和后向惯性序列，以产生与环境无关且尺度一致的运动特征，并选择性地加权惯性和视觉模态以适应各种场景和运动状态。此外，我们探索了一种新颖的虚拟立体模型，在单目 SLAM 系统中采用这种深度估计，从而提高系统效率和准确性。在 KITTI、EuRoC 和 TUM 数据集上进行的大量实验表明，与最先进的技术相比，我们在单目深度估计、SLAM 初始化效率和姿态估计精度方面的有效性。

原文链接：IEEE2024最新！基于视觉惯性融合的无监督单目深度估计