現在の深度推定ネットワークにおける屋外シーンの画像空間特徴抽出不足の問題に対処し、出力された深度マップに物体のエッジの歪み、ぼやけ、領域のアーティファクトなどの欠陥が存在する問題を解決するために、本研究ではマルチスケール特徴強化付きマルチフレーム自己教師あり単眼深度推定モデルを提案する。まず、本モデルのエンコーダーは大きなカーネル注意活性化モジュールを導入し、エンコーダーが入力画像のグローバルな空間特徴をより効果的に抽出し、空間コンテキスト情報を保持することを可能にする。同時に、構造強化モジュールを提案し、チャンネル次元で重要特徴を判別できるようにし、ネットワークの画像構造特徴認識能力を向上させる。最後に、デコーダーでは近傍補間によるアップサンプリング方法の代わりに動的アップサンプリング手法を使用し、詳細情報を復元し、深度マップのアーティファクト現象を最適化した。実験結果により、本研究で提案した深度推定ネットワークはKITTIおよびCityScapesの屋外データセットでのテスト結果において既存の主流アルゴリズムを上回り、特にKITTIデータセットでは予測精度が90.3％に達することが示された。可視化結果も、本モデルが生成する深度マップのエッジがより鮮明かつ正確であり、深度推定ネットワークの予測精度向上に効果的であることを示している。

単眼深度推定;自己教師あり;マルチフレーム;大きなカーネル注意;特徴強化