深度估计：NeWCRFs

NeW CRFs: Neural Window Fully-connected CRFs for Monocular Depth Estimation

https://arxiv.org/abs/2203.01502

https://weihaosky.github.io/newcrfs/

第三方开源：https://github.com/zhyever/Monocular-Depth-Estimation-Toolbox

CVPR2022

从单个图像估计准确的深度是具有挑战性的，因为它本质上是模糊的和不适定的。虽然最近的工作设计了越来越复杂和强大的网络来直接回归深度图，但我们选择了CRF优化的路径。由于计算昂贵，CRF通常在邻域之间执行，而不是整个图。为了充分利用完全连接的CRF的潜力，我们将输入拆分为多个窗口，并在每个窗口中执行FC CRF优化，这降低了计算复杂性并使FC CRF可行。为了更好地捕捉图中节点之间的关系，我们利用多头注意力机制来计算多头势函数，该函数被馈送到网络以输出优化的深度图。然后，我们构建了一个自下而上的结构，其中该神经窗口FC CRF模块用作解码器，视觉Transformer用作编码器。实验表明，与以前的方法相比，我们的方法显著提高了KITTI和NYUv2数据集上所有度量的性能。此外，所提出的方法可以直接应用于全景图像，并且在MatterPort3D数据集上优于所有先前的全景方法。