论文笔记：Depth Map Prediction from a Single Image using a Multi-Scale Deep NetworkEigen（Eigen 1）

一、基本信息

标题：Depth Map Prediction from a Single Image using a Multi-Scale Deep Network
时间：2014
出版源：NIPS
论文领域：单目深度估计、深度学习、CNN
引用格式：Eigen D, Puhrsch C, Fergus R. Depth map prediction from a single image using a multi-scale deep network[C]//Advances in neural information processing systems. 2014: 2366-2374.

二、摘要

单目视图估计深度比较难，在本文中通过使用两个深度网络堆栈来解决这个问题:
1.基于整个图像进行粗略的全局预测
2.局部优化这个预测
使用尺度不变误差测量深度关系。

二、研究背景

大多数研究基于多目或者运动，比较少数基於单目深度的研究。但是大多数web和社交媒体上的图片是单目的。
单目没有被用于立体可能原因：

• 不够精确

2个技术不合适的问题：

• 3D到2D有无数种可能，虽然大多数可以排除，但是总体是不精确的
• 尺度变换（本文使用尺度不变的误差解决 scale-invariant error）

本文直接使用神经网络进行深度回归预测。

早期研究：

• Make3D 线性回归和MRF，依赖于图像的水平对齐，参数少。将图像区域划分为几何结构(地面、天空、垂直)，简单的场景三维模型。
• 语义标签对应，需要手工特征和超像素
• 基于SIFT光流使用knn方法，需要对齐
• 在图像补丁上训练了一个因子自动编码器来从立体序列预测深度;然而，这依赖于立体声提供的局部位移
• 还有几种基于硬件的单图像深度估计解决方案

三、创新点

2个网络：
1.基于整个图像进行粗略的全局预测网络
2.局部优化这个预测的网络

卷积输出计算公式，具体看这里：
设图像大小:n*n， 步长:s，卷积核大小：f，padding：p
$\left(\frac{n+2 p-f}{s}+1\right) *\left(\frac{n+2 p-f}{s}+1\right)$

全局粗尺度网络

（上图上方网络，该网络的输出作为局部细化网络的输入）
这不就是AlexNet ？再分析分析一波

• 96 卷积（池化） 1/2
  输入：304 * 228 * 3
  卷积核大小：11 * 11 *3 步长：4（这个是11x11核的中心视野） 数目：96
  输出：75 * 56 * 96
  (304 - 11)/4 +1 = 74.25，取了上整75
  (228- 11)/4 +1 = 55.25，取了上整56
  ReLu激活
  池化层
  核大小：2 * 2 * 1 步长：1
  输出：38 * 28 * 96
  (75 - 2)/2 + 1 = 37.5 ，取了上整38
  (56- 2)/2 + 1 = 28

.
.
.

• 256 卷积（池化） 1/4
• 384 卷积
• 256 卷积
• 256 卷积
• 4096 全连接
• 1 全连接

没具体看论文实验，不过上次分析了AlexNet，可以看到这个网络就是AlexNet，网络都一样，2012提出，本论文2014应用倒也合理。
不过仔细发现这里只用了2次池化，第5层没有池化。所以输出对于输入时1/4。

局部细化网络

• Fine1卷积 （池化） 63
  大小：9 * 9 数目：63 步长：2
• Fine2 组合
  输入1：74 * 55(来自Coarse网络)
  输入2：
• Fine3 卷积
  大小：5 * 5 数目：64
• Fine4 卷积
  大小：5 * 5 数目：1

尺度不变误差

定义：
$D\left(y, y^{*}\right)=\frac{1}{2 n} \sum_{i=1}^{n}\left(\log y_{i}-\log y_{i}^{*}+\alpha\left(y, y^{*}\right)\right)^{2}$
$\alpha\left(y, y^{*}\right)=\frac{1}{n} \sum_{i}\left(\log y_{i}^{*}-\log y_{i}\right)$
$d_{i}=\log y_{i}-\log y_{i}^{*}$
$\begin{aligned} D\left(y, y^{*}\right) &=\frac{1}{2 n^{2}} \sum_{i, j}\left(\left(\log y_{i}-\log y_{j}\right)-\left(\log y_{i}^{*}-\log y_{j}^{*}\right)\right)^{2} \\ &=\frac{1}{n} \sum_{i} d_{i}^{2}-\frac{1}{n^{2}} \sum_{i, j} d_{i} d_{j}=\frac{1}{n} \sum_{i} d_{i}^{2}-\frac{1}{n^{2}}\left(\sum_{i} d_{i}\right)^{2} \end{aligned}$

就是说有2个配对点i和j，i位置有预测深度$y_i$和真实深度$y_i^*$，j位置有预测深度$y_j$和真实深度$y_j^*$， 如果$d_i d_j > 0$，说明预测同向，误差会更小，否则误差更大。
损失函数就是上述式子最后一项：
$L\left(y, y^{*}\right)=\frac{1}{n} \sum_{i} d_{i}^{2}-\frac{\lambda}{n^{2}}\left(\sum_{i} d_{i}\right)^{2}$

作者$\lambda=0.5$

数据增强

• 大小缩放$s\in[1, 1.5]$，深度也缩放s，注意：会改变空间结构，因为缩放s倍，不能保证镜头移动s倍
• 旋转
• 平移（随机裁剪），注意：会改变空间结构，平移后，深度值还是平移之前的，但是这种作者说操作有利于网络-_-
• 颜色
• 水平翻转

四、实验结果

L2 scale-inv是使用了尺度不变损失函数结果，虽然没有数值上的改进，但是观察图片可以看到细节有所改善。

五、结论与思考

作者结论

从单个图像预测深度估计值是一项具有挑战性的任务。但是，通过组合来自全局和本地视图的信息，可以很好地执行它。我们的系统通过使用两个深度网络来完成这一任务，一个用于估计全局深度结构，另一个用于在局部进行更精细的解析。我们为NYU Depth和KITTI数据集实现了一种新的最先进的技术，有效地利用了完整的原始数据分布。在未来的工作中，我们计划扩展我们的方法，以纳入更多的三维几何信息，如曲面法线。Fouhey等人在预测法线贴图方面取得了令人鼓舞的结果。[2]将法线贴图与深度贴图结合起来，可以提高[16]的整体性能。我们还希望通过不断地应用规模更小的局部网络，将深度映射扩展到完整的原始输入分辨率。

总结

使用卷积网络预测深度，使用了2个网络，一个用于全局，一个用于局部细节。

思考

参考