邹承明 ，胡佑璞

1.武汉理工大学 计算机科学与技术学院，武汉 430000

2.交通物联网技术湖北省重点实验室，武汉 430000

3.鹏城实验室，广东 深圳 518055

单目深度估计任务针对输入的单张彩色图像，要求估计出图像中每个像素对应的深度信息，属于计算机视觉领域研究的热点问题之一。在许多其他领域有着广泛的运用，例如：目标检测[1]、三维重建[2]、无人驾驶[3]、姿态估计[4]等。

由于图像的空间信息属于三维信息，通过单张二维RGB图像获取每个像素的深度信息是困难的。目前可以通过硬件设备直接获取深度信息，如微软的Kinect相机可以搜集室内的近距离场景的深度信息，激光测距仪可以获取室外场景的深度。然而，设备的价格十分昂贵，并且在复杂的场景中，深度估计仍然是不明确的病态问题，面临着许多挑战。

在单目场景深度估计中，一般利用物体的外观、场景的几何运动、物体语义等特征实现对深度的约束。单目深度估计的方法大致分为两类：有监督学习、无监督和半监督学习。

有监督学习方面，基于外观特征差异与场景深度的不连续性具有对应关系这一假设，深度估计被视为连续的回归问题。Eigen 等人[5]首次提出使用卷积神经网络（Convolutional Neural Network，CNN）解决单目深度估计问题。整个网络框架由一个全局的粗糙网络与一个局部的精细网络堆叠组成。全局网络以AlexNet 为基础，提取粗糙的全局深度信息。局部网络结合原图信息进一步优化全局网络的深度图，获得了不错的效果。Cao 等人[6]将深度估计视为像素的分类问题，离散化深度值，使用残差网络预测每一个像素的对应分类的类别，使用条件随机场优化细节。……