Image Masking for Robust Self-Supervised Monocular Depth Estimation

要約

自己教師付き単眼式奥行き推定は、3次元シーン理解のための重要なタスクである。単眼エゴモーション推定と同時に学習することで、ラベル付けされたデータを用いずに正確なピクセル単位の奥行きを予測する方法がいくつか提案されている。しかし、これらの方法は、自然災害やデジタル災害のない理想的な条件下での性能向上に焦点をあてている。また、物体固有の深度推定においても、一般的にオクルージョンがないことが前提となっている。また、これらの手法は敵対的な攻撃に対して脆弱であり、ロボットや自律走行システムへ確実に導入するためには適切な懸念事項である。本研究では、マスク画像モデリング(MIM)を自己教師付き単眼式奥行き推定に適用した手法であるMIMDepthを提案する。MIMは事前学習において汎化可能な特徴を学習するために用いられてきたが、我々は単眼式奥行き推定の直接学習に適用する方法を示す。我々の実験では、MIMDepthはノイズ、ブレ、天候、デジタルアーチファクト、オクルージョン、さらにターゲットされていない敵対的攻撃やターゲットされた敵対的攻撃に対してより堅牢であることが示された。

要約(オリジナル)

Self-supervised monocular depth estimation is a salient task for 3D scene understanding. Learned jointly with monocular ego-motion estimation, several methods have been proposed to predict accurate pixel-wise depth without using labeled data. Nevertheless, these methods focus on improving performance under ideal conditions without natural or digital corruptions. A general absence of occlusions is assumed even for object-specific depth estimation. These methods are also vulnerable to adversarial attacks, which is a pertinent concern for their reliable deployment on robots and autonomous driving systems. We propose MIMDepth, a method that adapts masked image modeling (MIM) for self-supervised monocular depth estimation. While MIM has been used to learn generalizable features during pre-training, we show how it could be adapted for direct training of monocular depth estimation. Our experiments show that MIMDepth is more robust to noise, blur, weather conditions, digital artifacts, occlusions, as well as untargeted and targeted adversarial attacks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL