王亚群，戴华林，王 丽，李国燕

（天津城建大学计算机与信息工程学院，天津 300384）

0 概述

近年来，随着计算机技术的发展，各种人工智能产品层出不穷，如无人驾驶汽车［1］、智能家居、智能机器人［2］、医学成像［3］等。这些人工智能产品为了能够更好地感知周围环境，必须要对所接收的图像进行深度估计。

传统图像深度估计方法主要分为两类：一类通过硬件设备测量得到图像深度，现在市场上推出了各种用于感知3D 场景的传感器，如激光雷达、Kinect硬件设备等，然而它们在应用过程中存在成本高、受限多、捕获的深度图像分辨率低等问题，导致无法被广泛推广使用；另一类是基于图像处理的深度估计方法，该类方法根据视觉传感器数量的多少分为单目视觉系统和多目视觉系统，实际应用中大多使用双目或多目方法来获取深度信息，如利用三角测量法［2］转化2 幅图像之间的视差关系为深度信息，但这类方法易受外界因素的影响，难以获取高质量的视差图。为解决该问题，学者们开始研究如何利用深度学习的方法从单幅图像中估计场景深度信息，相比双目或多目视觉系统，通过单目视觉来进行图像深度估计具有成本低、应用灵活方便的优点，且现实生活中提供的数据信息多为单视点数据［4-6］。但是，从单幅图像估计场景深度具有一定的模糊性，导致通过单目图像来估计深度信息难度较高。

在基于深度学习的单目图像深度估计研究过程中，EIGEN 等［7］将深度估计、表面法线预测和语义标注3 个任务统一在一个三级神经网络中，并将结果的分辨率降为输入图像的一半。……