現在、低テクスチャおよび低照度領域が多く存在する屋内複雑シーンにおいて、自己教師付単眼深度推定ネットワークは深度情報の予測不正確さ、物体の輪郭のぼやけ、細部の喪失といった問題を抱えている。本論文では、階層的特徴融合に基づく屋内自己教師付単眼深度推定ネットワークモデルを提案する。まず、マッピング一貫性画像強調モジュールを用いて屋内画像を処理し、低照度領域の可視性を向上させつつ輝度の一貫性を保持し、テクスチャの詳細を豊かにし、訓練時に発生するぼやけた偽平面によるモデル悪化の問題をある程度解決した。次に、注意機構に基づく階層間特徴調整モジュールを組み合わせた深度推定ネットワークを設計し、エンコーダとエンコーダ・デコーダの多層的特徴情報を十分に融合してネットワークの特徴利用能力を高め、予測深度と実際の深度との意味的ギャップを縮小した。最後に、画像スタイル特徴に基づくグラム行列類似度損失関数を追加の自己教師信号として設計し、ネットワークの深度予測能力を向上させ、さらに深度予測の精度を高めた。NYU Depth V2およびScanNet屋内データセットで学習およびテストを行い、正しく予測された深度ピクセルの割合はそれぞれ81.9％および76.0％に達した。実験結果は、本ネットワークモデルが既存の主要な屋内自己教師付単眼深度推定ネットワークに比べて物体の輪郭や細部情報を良好に保持し、深度予測の精度を効果的に向上させることを示している。

自己教師;単眼深度推定;画像強調;階層的特徴融合;グラム行列