Xiaoxiao Long, Cheng Lin, Lingjie Liu, Wei Li, Christian Theobalt...
TL;DR提出了一种新的单幅图像深度估计方法，使用自适应表面法线约束，可以有效地将深度估计与几何一致性相关联，从而重建出准确的 3D 几何形状，其稳健性强，并在公共数据集上优于现有技术。
Abstract
We present a novel method for single image depth estimation using surface
normal constraints. Existing depth estimation methods either suffer from the
lack of geometric constraints, or are limited to the difficul
我们提出了一种新颖的方法，可以从图像中学习深度和表面法线等几何特征，同时结合几何背景。通过动态确定可靠的局部几何特征并评估其几何背景的有效性，我们建立了一个表面法线约束，从而实现了准确捕捉图像的 3D 几何信息。通过几何背景的整合，我们的方法在室内外多样化数据集上进行了广泛的评估和比较，证明了其高效性和稳健性。
本研究提出了一种基于高阶 3D 几何约束的深度预测模型，通过在重建的 3D 空间中随机采样三个点确定虚拟法向方向并设计相应的损失函数，能够显著提高深度预测的准确性，从而实现直接从深度图中恢复场景的 3D 结构（如点云和表面法向），进而消除了训练新子模型的必要性，并在 NYU Depth-V2 和 KITTI 等数据集上达到了最先进的性能水平。