monocular depth estimation is an extensively studied computer vision problem
with a vast variety of applications. deep learning-based methods have
demonstrated promise for both supervised and unsupervised depth e
本研究探讨了将对抗性训练应用于单目深度估计任务中的益处,并扩展了自监督网络以成为生成对抗网络(GAN)来实现全局一致性。通过对不同像素级重构损失结合 Vanilla GAN, LSGAN 和 Wasserstein GAN 等进行广泛的实验评估,得出当重构损失不太受限制时,对抗训练是有益的结论,并证明在使用批量归一化时,无需使用 GAN 的非对抗性训练法表现优异。因此,我们采用批量规范化和不同的输出比例,获得了最新的单目深度估计结果。