背景

單目深度估計分為兩個派系，metric depth estimation(度量深度估計，也稱絕對深度估計)和relative depth estimation(相對深度估計)。

絕對深度估計：估計物體絕對物理單位的深度，即米。預測絕對深度的優(yōu)點是在計算機視覺和機器人技術(shù)的許多下游應用中具有實用價值，如建圖、規(guī)劃、導航、物體識別、三維重建和圖像編輯。然而，絕對深度股即泛化能力（室外、室內(nèi)）極差。因此，目前的絕對深度估計模型通常在特定的數(shù)據(jù)集上過擬合，而不能很好地推廣到其他數(shù)據(jù)集。

相對深度估計：估計每個像素與其它像素的相對深度差異，深度無尺度信息，可以各種類型環(huán)境中的估計深度。應用場景有限。

導讀

現(xiàn)有的單目深度估計工作，要么關(guān)注于泛化性能而忽略尺度，即相對深度估計，要么關(guān)注于特定數(shù)據(jù)集上的最先進的結(jié)果，即度量深度（絕對深度）估計。論文提出了第一種結(jié)合這兩種形態(tài)的方法，從而得到一個在泛化性能良好的同時，保持度量尺度的模型：ZoeD-M12-NK。

具體來說，論文框架包括兩個關(guān)鍵組成部分：相對深度估計網(wǎng)絡(luò)和絕對深度估計網(wǎng)絡(luò)。相對深度估計網(wǎng)絡(luò)學習提取相鄰像素之間的深度差異信息，而絕對深度估計網(wǎng)絡(luò)則直接預測絕對深度值。

使用這種框架，論文方法能夠?qū)⒁延袛?shù)據(jù)集的深度信息轉(zhuǎn)移到新的目標數(shù)據(jù)集上，從而實現(xiàn)零樣本（Zero-shot）深度估計。在實驗中，論文方法使用了幾個標準數(shù)據(jù)集進行測試，并證明了所提方法在零樣本深度估計方面比現(xiàn)有SOTA表現(xiàn)更好。

貢獻

本文中，作者提出了一個兩階段的框架，使用一個通用的編碼-解碼器架構(gòu)進行相對深度估計的預訓練，在第二階段添加絕對深度估計的輕量級head（metric bins module），并使用絕對深度數(shù)據(jù)集進行微調(diào)。本文的主要貢獻是：

ZoeDepth 是第一個結(jié)合了相對深度和絕對深度的方法，在保持度量尺度的同時，實現(xiàn)了卓越的泛化性能。

ZoeDepth 的旗艦模型 ZoeD-M12-NK 在12個數(shù)據(jù)集上使用相對深度進行預訓練，并在兩個數(shù)據(jù)集上使用絕對深度進行微調(diào)，使其在現(xiàn)有SOTA上有了明顯的提高

ZoeDepth 是第一個可以在多個數(shù)據(jù)集(NYU Depth v2 和 KITTI)上聯(lián)合訓練而性能不明顯下降的模型，在室內(nèi)和室外域的8個未見過的數(shù)據(jù)集上實現(xiàn)了前所未有的零樣本泛化性能

ZoeDepth 彌補了相對深度估計和絕對深度估計之間的差距，并且可以通過在更多的數(shù)據(jù)集上定義更細化的域和，并在更多的絕對深度數(shù)據(jù)集微調(diào)來進一步改進網(wǎng)絡(luò)性能。

方法

論文首先使用一個Encoder-Decoder的backbone進行相對深度預測，然后將提出的metric bins 模塊附加在decoder上得到絕對深度預測頭(head)，通過添加一個或多個head(每個數(shù)據(jù)集一個)來進行絕對深度估計。最后再進行端到端的微調(diào)。下面介紹每個head(metric bins mdule)是怎么設(shè)計的：

LocalBins review

global adaptive bins vs local adaptive bins

不同RGB輸入對應的深度分布會有很大的不同，目前的神經(jīng)網(wǎng)絡(luò)架構(gòu)主要是在低分辨率的bottleneck獲取全局信息，而不能很好地在高分辨率特征獲取全局特征，深度分布的這種變化使得端到端的深度回歸變得困難。因此，此前的一些方法提出將深度范圍劃分為一定數(shù)量的bin，將每個像素分配給每個bin，將深度回歸任務轉(zhuǎn)換為分類任務。

最終深度估計是bin中心值的線性組合。上圖介紹了兩種劃分bin的方法，AdaBins預測了完整圖像的分布，LocalBins預測了每個像素周圍區(qū)域的分布。本文采用了類似于LocalBins的這種方式。

Metric bins

具體來說，LocalBins使用一個標準的encoder-decoder作為基本模型，并附加一個模塊，該模塊將encoder-decoder的多尺度特征作為輸入，預測每個像素深度區(qū)間上的個bins中心值(channel)。一個像素的最終深度，由個bin經(jīng)過softmax得到的概率加權(quán)其bin中心值的線性組合得到：

Metric bins module

Metric Bins Module

如上圖所示，Metric bins模塊以MiDaS[1](一種有監(jiān)督的Zero-shot深度估計方法)的解碼器的多尺度（五層）特征作為輸入，預測用于絕對深度估計的深度區(qū)間的bins的中心。注意論文在bottleneck層就直接預測每個像素上所有的bins（即channel的維度直接就是）。然后在decoder上使用attractor layers逐步進行細化bin區(qū)間。

Attract instead of split

論文通過調(diào)整bin，在深度區(qū)間上向左或向右移動它們，來實現(xiàn)對bin的多尺度細化。利用多尺度特征，論文預測了深度區(qū)間上的一組點用來”吸引“bin的中心。

具體地說，在第1個decoder層，MLP將一個像素處的特征作為輸入，并預測該像素位置的吸引點。調(diào)整后的bin中心為，調(diào)整如下：

其中，超參數(shù)和決定了attractor(吸引子)的強度。論文把這個attractor命名為inverse attractor。此外，論文還實驗了一個指數(shù)變量：

實驗表明，inverse attractor可以導致更好的性能。論文中，深度區(qū)間設(shè)置了個bin，decoder設(shè)置了個attractor。

Log-binomial instead of softmax

為了得到最終的絕對深度預測，每個像素上深度區(qū)間內(nèi)的每個bin通過softmax可以得到其概率，所有的bin的中心進行按照片概率線性組合得到該像素的深度值。

盡管softmax在無序類中運行得很好，但由于深度區(qū)間內(nèi)bin本身是有序的，softmax方法可能導致附近的bin的概率大大不同，因此論文使用具有排序感知的概率預測：

論文使用一個二項式分來預測概率，將相對深度預測與解碼器特征連接起來，并從解碼器特征中預測一個2通道輸出（q - mode和t - temperature），通過以下方法獲得第k個bin中心的概率得分：

然后再通過：

得到最終的概率值。

訓練策略

Metric fine-tuning on multiple datasets

在具有各種場景的混合數(shù)據(jù)集上訓練一個絕對深度模型是很困難的，論文首先預訓練一個的相對深度估計的backbone，在一定程度上減輕了對多個數(shù)據(jù)集的微調(diào)問題。然后為模型配備多個Metric bins模塊，每個場景類型（室內(nèi)和室外）對應一個。最后再對完整的模型進行端到端微調(diào)。

Routing to metric heads

當模型有多個絕對深度頭時，在推理的時候，算法需要根據(jù)輸入數(shù)據(jù)的類型，通過一個“路由器”來選擇用于特定輸入的絕對深度頭。

論文提供了三種“路由”策略：

Labeled Router(R.1)：訓練多個模型，給它們打上場景標簽，推理時根據(jù)場景手動選擇模型

Trained Router(R.2)：訓練一個MLP分類器，它根據(jù)bottleneck預測輸入圖像的場景類型，然后“路由”到相應的head，訓練的時候需要提供場景類型的標簽

Auto Router(R.3)：跟第二種類似，但是訓練和推理過程中不提供場景的標簽。

實驗

Comparison to SOTA on NYU Depth V2

表1 Quantitative comparison on NYU-Depth v2

在沒有任何相對深度預訓練的情況下，論文的模型ZoeD-X-N預測的絕對深度可以比目前的SOTA NeWCRFs提高13.7% (REL = 0.082)。

通過對12個數(shù)據(jù)集進行相對深度預訓練，然后對NYU Depth v2進行絕對深度微調(diào)，論文的模型ZoeD-M12-N可以在ZoeD-X-N上進一步提高8.5%，比SOTA NeWCRFs提高21%(REL = 0.075)。

Qualitative comparison on NYU Depth v2

上面的可視化可以看出，論文方法始終以更少的誤差，產(chǎn)生更好的深度預測（藍色表示誤差小）。

Universal Metric SIDE

表2 Comparison with existing works when trained on NYU and KITTI

使用跨域數(shù)據(jù)集（室內(nèi)NYU和室外KITTI（NK））進行絕對深度訓練的模型通常表現(xiàn)更差，如上表2與表1的對比所示，論文將最近的一些方法在室內(nèi)和室外數(shù)據(jù)集上進行聯(lián)合訓練，從結(jié)果可以看到，這些方法的性能都顯著下降，甚至直接無法收斂。而本文的方法ZoeD-M12-NK**只下降了8%**（REL 0.075 to 0.081)，顯著優(yōu)于SOTA NeWCRFs。

表2中，“”表示使用一個head，可以看到，使用多head的網(wǎng)絡(luò)，泛化能力更強，這些結(jié)果表明，Metric Bins模塊比現(xiàn)有的工作更好地利用了預訓練，從而改進了跨域的自適應和泛化（Zero-shot性能）。

Zero-shot Generalization

論文將所提模型在8個未訓練的室內(nèi)和室外數(shù)據(jù)上進行Zero-shot測試，來評估所提方法的泛化能力。

Zero-shot transfer



Zero-shot transfer



表3 Quantitative results for zero-shot transfer to four unseen indoor datasets



表4 Quantitative results for zero-shot transfer to four unseen outdoor datasets

如表3所示，在室內(nèi)數(shù)據(jù)測試中，ZoeD-M12-N能夠取得最好的效果（在12個相對深度數(shù)據(jù)集上預訓練，只對NYU數(shù)據(jù)集進行微調(diào)），同時在室內(nèi)NYU數(shù)據(jù)集和室外KITTI數(shù)據(jù)集進行微調(diào)效果次之，不使用12個相對深度數(shù)據(jù)集上預訓練最差，但都顯著高于SOTA。如表4和上圖所示，在室外數(shù)據(jù)測試中，結(jié)論類似。甚至在達到了976.4%的提升！，這證明了它前所未有的Zero-shot能力。

消融實驗

Backbones

Backbone ablation study

在圖像分類task中的backbone性能與深度估計性能之間有很強的相關(guān)性。較大的backbone可以實現(xiàn)較低的絕對相對誤差（REL）。

Metric Bins Module

Metric head variants

不同的MLP中的分裂因子（Splitter）和吸引子（Attractor）的數(shù)量對結(jié)果有影響。

Routers

Router variants

Trained Router效果顯著由于另外兩種路由策略。

總結(jié)

論文提出了ZoeDepth，第一個結(jié)合了相對深度和絕對深度而性能沒有顯著下降的方法，彌補相對和絕對深度估計性能之間的差距，在保持度量尺度的同時，實現(xiàn)了卓越的泛化性能。ZoeDepth是一個兩階段的工作，在第一階段，論文使用相對深度數(shù)據(jù)集對encoder-decoder架構(gòu)進行預訓練。在第二階段，論文基于所提的Metric bins 模塊得到domain-specific頭，將其添加到解碼器中，并在一個或多個數(shù)據(jù)集上對模型進行微調(diào)，用于絕對深度預測。

提出的架構(gòu)顯著地改進了NYU Depth v2的SOTA（高達21%），也顯著提高了zero-transfer的技術(shù)水平。論文希望在室內(nèi)和室外之外定義更細粒度的領(lǐng)域，并在更多的絕對深度數(shù)據(jù)集上進行微調(diào)，可以進一步改善論文的結(jié)果。在未來的工作中，論文希望研究ZoeDepth的移動架構(gòu)版本，例如，設(shè)備上的照片編輯，并將該工作擴展到雙目深度估計。

審核編輯：劉清