劉鵬　王建龍　竇新宇

摘? 要：針對(duì)基于編解碼結(jié)構(gòu)的單目深度估計(jì)網(wǎng)絡(luò)模型，對(duì)細(xì)粒度深度信息估計(jì)精度差和算力需求大的問(wèn)題，提出了一種聯(lián)合引導(dǎo)式深度圖像超分辨率的單目深度估計(jì)方法。該方法設(shè)計(jì)了一種基于選擇性特征融合的引導(dǎo)式深度圖像超分辨率網(wǎng)絡(luò)模型，并將其與單目深度估計(jì)網(wǎng)絡(luò)模型結(jié)合在一個(gè)監(jiān)督學(xué)習(xí)框架下估計(jì)深度。在NYU-Depth-V2數(shù)據(jù)集上，以三種單目深度估計(jì)網(wǎng)絡(luò)模型開展實(shí)驗(yàn)，結(jié)果證明該方法具有更好的深度邊界預(yù)測(cè)效果和較低的算力消耗指標(biāo)。關(guān)鍵詞：?jiǎn)文可疃裙烙?jì)；深度圖像超分辨；特征融合；編解碼結(jié)構(gòu)

中圖分類號(hào)：TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）11-0011-04

Monocular Depth Estimation Method Combining Guided Depth Image Super-Resolution

LIU Peng， WANG Jianlong， DOU Xinyu

（Intelligence and Information Engineering College， Tangshan University， Tangshan? 063000， China）

Abstract： Aiming at the problem of poor fine-grained depth information estimation precision and high demand for computational power in monocular depth estimation network models based on encoder-decoder structure， a monocular depth estimation method combining guided depth image super-resolution is proposed. This method designs a guided depth image super-resolution network model based on selective feature fusion， and combines it with monocular depth estimation network model to estimate depth under a supervised learning framework. This paper performs experiments with three monocular depth estimation network models on NYU-Depth-V2 dataset， and the results prove that the method has a better depth boundary prediction effect and lower computational power consumption index.

Keywords： monocular depth estimation; depth image super-resolution; feature fusion; encoder-decoder structure

0? 引? 言

深度圖像每個(gè)像素點(diǎn)記錄著攝像機(jī)與場(chǎng)景中物體之間的距離信息，能夠準(zhǔn)確反映出場(chǎng)景三維空間結(jié)構(gòu)信息，在自動(dòng)駕駛、場(chǎng)景理解、三維重建等領(lǐng)域有著廣泛的應(yīng)用。從單幅RGB圖像中恢復(fù)深度圖像的單目深度估計(jì)方法，是移動(dòng)設(shè)備感知環(huán)境的主要手段之一，但單目深度估計(jì)病態(tài)性的本質(zhì)[1]，使其一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的難點(diǎn)課題。

目前效果較好的單目深度估計(jì)均采用的是基于深度學(xué)習(xí)的方法[2，3]，從大量單幅RGB圖像到對(duì)應(yīng)視角的深度圖像的映射過(guò)程中提取深度線索，完成深度圖像的單目估計(jì)。其中，基于編解碼結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）是主流的設(shè)計(jì)模型。這類模型的設(shè)計(jì)思路是：編碼器基于圖像分類網(wǎng)絡(luò)，通過(guò)在大型圖像分類庫(kù)（如ImageNet[4]）上的預(yù)訓(xùn)練完成參數(shù)的初始化，在對(duì)輸入圖像進(jìn)行漸進(jìn)下采樣過(guò)程中，逐步增加感受野，將RGB圖像低級(jí)特征分組為抽象的高級(jí)特征；解碼器聚合來(lái)自編碼器的特征，并將其轉(zhuǎn)換為最終的深度估計(jì)。這類模型主要存在以下不足：1） 編碼器的下采樣操作，會(huì)帶來(lái)特征分辨率和粒度在模型的較深階段丟失。盡管各種深度學(xué)習(xí)方法（如跳躍連接[5]、多尺度特征提取[6，7]、注意機(jī)制[8-10]等）被融入到了解碼器的設(shè)計(jì)過(guò)程中，提高了特征的聚合質(zhì)量，但對(duì)深度圖像邊界輪廓等細(xì)粒度信息的預(yù)測(cè)仍不夠清晰。2）以更高分辨率的輸入數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，可以減輕特征粒度損失[11，12]，但更高分辨率的模型有著更高的硬件算力需求，這大大限制了此類模型的應(yīng)用場(chǎng)合。

與深度估計(jì)類似，引導(dǎo)式深度圖像超分辨也是針對(duì)深度圖像的重要計(jì)算機(jī)視覺(jué)任務(wù)，受到了廣泛的研究。引導(dǎo)式深度圖像超分辨是提高深度圖像分辨率的重要途徑，通過(guò)將RGB圖像的特征信息有效融入深度圖像的超分辨過(guò)程，來(lái)引導(dǎo)深度圖像細(xì)粒度特征的修復(fù)。目前，基于深度學(xué)習(xí)的引導(dǎo)式深度圖像超分辨方法[13，14]，能較好地實(shí)現(xiàn)深度圖像的高分辨率恢復(fù)。

針對(duì)基于編解碼結(jié)構(gòu)的單目深度估計(jì)網(wǎng)絡(luò)模型存在的不足之處，本文結(jié)合引導(dǎo)式深度圖像超分辨的技術(shù)特性，提出一種聯(lián)合引導(dǎo)式深度圖像超分辨的單目深度估計(jì)方法，對(duì)現(xiàn)有單目深度估計(jì)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。具體做法是：使現(xiàn)有單目深度估計(jì)網(wǎng)絡(luò)模型負(fù)責(zé)估計(jì)包含場(chǎng)景深度一致性結(jié)構(gòu)信息的低分辨率深度圖像；設(shè)計(jì)一種基于選擇性特征融合（Selective Feature Fusion）的引導(dǎo)式深度圖像超分辨網(wǎng)絡(luò)模型SFFNet，負(fù)責(zé)從RGB圖像中提取有效的高頻細(xì)節(jié)信息，以彌補(bǔ)深度圖像上采樣過(guò)程中的細(xì)粒度結(jié)構(gòu)損失；兩個(gè)網(wǎng)絡(luò)模型組合在一個(gè)監(jiān)督學(xué)習(xí)框架內(nèi)，完成深度圖像的單目估計(jì)任務(wù)，從而使單目深度估計(jì)具有細(xì)粒度估計(jì)效果的同時(shí)，也具有較少的算力需求。

1? 相關(guān)工作

在單目深度估計(jì)研究領(lǐng)域，相比較傳統(tǒng)的環(huán)境假設(shè)法和機(jī)器學(xué)習(xí)法，深度學(xué)習(xí)方法因其強(qiáng)大的特征學(xué)習(xí)和映射能力，使得單目深度估計(jì)性能得到了大范圍的提升。

Eigen等[15]首次將CNN引入到深度圖像的單目估計(jì)任務(wù)中，該方法首先用CNN對(duì)場(chǎng)景全局深度信息進(jìn)行粗估計(jì)，再對(duì)深度圖像局部信息進(jìn)行精估計(jì)。隨后，編解碼結(jié)構(gòu)的CNN模型成為主流的設(shè)計(jì)模型，例如，Zheng等[6]通過(guò)自定義的特征多尺度上卷積操作，將編碼器不同分辨率的層次化特征進(jìn)行有效整合，實(shí)現(xiàn)了編碼器特征從粗到精處理的映射；Chen等[7]用一種自適應(yīng)密集特征聚合模塊融合多尺度特征，實(shí)現(xiàn)了場(chǎng)景深度圖像結(jié)構(gòu)信息的有效推斷；Liu等[8]使用跳躍連接將卷積神經(jīng)網(wǎng)絡(luò)不同階段的相同分辨率特征進(jìn)行有效融合，提高了深度圖像邊緣細(xì)節(jié)的估計(jì)精度；Huynh等[9]引入非局部共平面性約束和非局部注意機(jī)制來(lái)提高深度圖像中平面結(jié)構(gòu)區(qū)域的估計(jì)效果；Lee等[10]在解碼器的每個(gè)階段特征的處理中，設(shè)計(jì)了一種局部平面約束的操作，提高了深度圖像的整體估計(jì)效果。

為了處理編碼器下采樣操作時(shí)，深度特征分辨率和粒度丟失的問(wèn)題，Miangoleh[11]等設(shè)計(jì)了一種將多個(gè)分辨率深度預(yù)測(cè)結(jié)果進(jìn)行融合的機(jī)制。最近，各類視覺(jué)轉(zhuǎn)換器（Transformer）模型[16，17]也被應(yīng)用在單目深度估計(jì)任務(wù)中，通過(guò)RGB圖像分塊的方式，維持在較高分辨率下提取特征，進(jìn)一步提高了深度估計(jì)效果。以更高分辨率的輸入數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，可以減輕特征粒度損失，但如何合理設(shè)計(jì)網(wǎng)絡(luò)模型，同時(shí)保證計(jì)算效率和預(yù)測(cè)精度，目前仍需進(jìn)一步的研究。

2? 方法設(shè)計(jì)

2.1? 網(wǎng)絡(luò)結(jié)構(gòu)

本文方法的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包括單目深度估計(jì)和SFFNet兩個(gè)子網(wǎng)絡(luò)。對(duì)分辨率為W×H的RGB圖像，單目深度估計(jì)子網(wǎng)絡(luò)采用典型的單目深度估計(jì)模型結(jié)構(gòu)，以降采樣后的RGB圖像為輸入，完成W/4×H/4分辨率深度圖像的估計(jì)，此深度圖像為最終輸出的W×H分辨率深度圖像提供全局一致性結(jié)構(gòu)信息。設(shè)計(jì)的SFFNet以單目深度估計(jì)子網(wǎng)絡(luò)估計(jì)出的深度圖像和原始分辨率的RGB圖像為輸入，完成上采樣率為4的深度圖像重建。兩個(gè)子網(wǎng)絡(luò)相互配合，在一個(gè)監(jiān)督學(xué)習(xí)框架內(nèi)完成深度圖像的單目估計(jì)任務(wù)。

2.2? SFFNet子網(wǎng)絡(luò)模型

本文設(shè)計(jì)的SFFNet采用了漸進(jìn)式特征聚合的設(shè)計(jì)模式，結(jié)構(gòu)如圖1所示。首先，對(duì)深度圖像和RGB圖像進(jìn)行淺層特征提取，這里采用了兩個(gè)3×3卷積+ ReLU激活函數(shù)和一個(gè)1×1卷積+ ReLU激活函數(shù)串聯(lián)組合實(shí)現(xiàn)。然后，通過(guò)跨步卷積+ ReLU激活函數(shù)對(duì)RGB圖像的淺層特征進(jìn)行逐步下采樣操作。接著，在深度圖像逐步上采樣操作過(guò)程中，先通過(guò)一個(gè)選擇性特征融合模塊實(shí)現(xiàn)相同分辨率RGB圖像特征和深度圖像特征的融合，然后通過(guò)卷積+像素重組（Pixel Shuffle，PS）實(shí)現(xiàn)深度圖像的上采樣。最后，在到達(dá)目標(biāo)分辨率后，通過(guò)3×3卷積實(shí)現(xiàn)對(duì)深度圖像插值上采樣殘差的預(yù)測(cè)。

選擇性特征融合模塊結(jié)構(gòu)如圖2所示，模塊設(shè)計(jì)目的是通過(guò)特征空間域二維注意力圖的獲取，自適應(yīng)地完成RGB圖像特征和深度圖像特征的融合，達(dá)到細(xì)化特征處理以捕獲細(xì)粒度信息的目的。這里，將包含場(chǎng)景結(jié)構(gòu)上下文線索的深度圖像特征，稱為全局特征Fglobal；將可彌補(bǔ)深度圖像上采樣過(guò)程中邊界輪廓結(jié)構(gòu)損失的RGB圖像特征，稱為局部特征Flocal。對(duì)這些全局和局部特征，首先，通過(guò)1×1卷積操作將特征沿著信道維度合并起來(lái)。然后，通過(guò)兩個(gè)3×3卷積+批量歸一化（Batch Normalization， BN）+ReLU激活函數(shù)的操作，進(jìn)行合并特征的融合和約減。接著，通過(guò)3×3卷積和Sigmoid函數(shù)產(chǎn)生兩個(gè)空間域二維注意力圖，并將這兩個(gè)注意力圖與對(duì)應(yīng)的局部和全局特征相乘，以達(dá)到對(duì)特征的細(xì)化處理。最后，將這些細(xì)化后的特征按元素相加以構(gòu)建最后的融合特征。

2.3? 損失函數(shù)

本文網(wǎng)絡(luò)模型訓(xùn)練時(shí)，總損失函數(shù)為單目深度估計(jì)訓(xùn)練損失LMDE和SFFNet訓(xùn)練損失LSFFNet的和，即L = LMDE + LSFFNet。其中，LMDE表示對(duì)應(yīng)方法中典型單目深度估計(jì)子網(wǎng)絡(luò)選擇的損失函數(shù)，LSFFNet本文使用Charbonnier損失函數(shù)[18]，計(jì)算方法如下：

式中，y*表示真實(shí)深度值，y表示重建深度值，n表示每個(gè)訓(xùn)練批次的總像素個(gè)數(shù)，ε表示值為1×10-3的常數(shù)。

3? 實(shí)驗(yàn)過(guò)程與結(jié)果分析

3.1? 數(shù)據(jù)集

實(shí)驗(yàn)選擇NYU-Depth-V2數(shù)據(jù)集[19]，進(jìn)行模型的訓(xùn)練和測(cè)試。按照單目深度估計(jì)通用的分類方式，使用249個(gè)場(chǎng)景，約5萬(wàn)組RGB-D圖像對(duì)用于網(wǎng)絡(luò)的訓(xùn)練；使用215個(gè)場(chǎng)景，約654組RGB-D圖像對(duì)用于網(wǎng)絡(luò)的測(cè)試。訓(xùn)練集和測(cè)試集均居中剪切為608×456，以去除圖像邊緣區(qū)域相對(duì)準(zhǔn)確率不高的深度值。

3.2? 實(shí)施細(xì)節(jié)

網(wǎng)絡(luò)的實(shí)現(xiàn)采用PyTorch深度學(xué)習(xí)框架。硬件平臺(tái)使用四個(gè)NVIDIA RTX 2080 Ti顯卡，實(shí)現(xiàn)高性能的GPU并行運(yùn)算。Adam梯度優(yōu)化算法作為網(wǎng)絡(luò)的優(yōu)化器，基本學(xué)習(xí)率設(shè)置為0.000 1，并且每5個(gè)周期降低10%，參數(shù)β1 = 0.9，β2 = 0.999，使用0.000 1的衰減率。網(wǎng)絡(luò)訓(xùn)練參數(shù)Batch的大小為16。各種對(duì)比網(wǎng)絡(luò)的訓(xùn)練次數(shù)均設(shè)置為30個(gè)Epoch。

3.3? 評(píng)估指標(biāo)

選用單目深度估計(jì)任務(wù)常用的誤差和精度評(píng)價(jià)指標(biāo)，對(duì)模型進(jìn)行定量對(duì)比分析。評(píng)價(jià)指標(biāo)和對(duì)應(yīng)計(jì)算公式為：

1）均方根誤差（RMSE）：

2）絕對(duì)相對(duì)差（Abs Rel）：

3）均方對(duì)數(shù)誤差（Log10）：

4）相對(duì)誤差在1.25k以內(nèi)的像素比例，其中

3.4? 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文方法的通用性，選擇SARPN、JADN、BTS三種典型單目深度估計(jì)網(wǎng)絡(luò)模型為方法中的單目深度估計(jì)子網(wǎng)絡(luò)。因?yàn)镾ARPN和JADN的輸出分辨率是輸入分辨率的一半，因此圖1所示的本文方法對(duì)輸入RGB圖像進(jìn)行1/2降采樣，而BTS的輸入和輸出分辨率相同，因此圖1中使用的是1/4降采樣。三種網(wǎng)絡(luò)直接完成深度圖像的單目估計(jì)時(shí)，各項(xiàng)指標(biāo)如表1的一、三、五行所示。將三種網(wǎng)絡(luò)分別聯(lián)合本文設(shè)計(jì)的SFFNet，進(jìn)行單目深度估計(jì)，各項(xiàng)指標(biāo)如表1的二、四、六行所示。表1同時(shí)給出了模型參數(shù)及算力需求的變化情況。可見(jiàn)，本文方法在保證三種典型模型獲得同等水平評(píng)價(jià)指標(biāo)的同時(shí)，以非常小的參數(shù)代

價(jià)（0.6 M），大幅度降低了模型對(duì)算力的需求，對(duì)于性能指標(biāo)GFLOPS，SARPN降低了66.7%，JADN降低了48.1%，BTS降低了40.7%。

圖3顯示了以BTS為方法中的單目深度估計(jì)子網(wǎng)絡(luò)時(shí)，加入SFFNet前后，對(duì)NYU-Depth-V2測(cè)試數(shù)據(jù)集不同場(chǎng)景的定性比較結(jié)果，這里選擇了廚房、臥室、餐廳三種典型應(yīng)用場(chǎng)景。通過(guò)對(duì)比可以發(fā)現(xiàn)，用本文提出的方法改造后，對(duì)場(chǎng)景全局結(jié)構(gòu)深度信息的預(yù)測(cè)變化不大，但深度圖像具有更清晰的邊緣和更細(xì)節(jié)的信息，比如圖3深度圖像中框標(biāo)出的廚房置物架、臥室酒瓶、餐廳家居等部分。這表明了通過(guò)本方法對(duì)原有網(wǎng)絡(luò)模型的改進(jìn)后，深度圖像細(xì)粒度信息的預(yù)測(cè)效果得到了提升。

4? 結(jié)? 論

本文提出了一種聯(lián)合引導(dǎo)式深度圖像超分辨的單目深度估計(jì)方法。該方法將常用單目深度估計(jì)模型與設(shè)計(jì)的SFFNet網(wǎng)絡(luò)模型進(jìn)行合理結(jié)合，使常用的單目深度估計(jì)網(wǎng)絡(luò)模型推斷包含場(chǎng)景全局一致性結(jié)構(gòu)信息的低分辨率深度圖像，利用SFFNet將從RGB圖像中提取到的高頻細(xì)節(jié)信息補(bǔ)充到深度圖像的超分辨重建過(guò)程，兩個(gè)網(wǎng)絡(luò)在一個(gè)監(jiān)督學(xué)習(xí)框架下。實(shí)驗(yàn)結(jié)果表明，提出的方法可保證深度估計(jì)精度的情況下，有效提升細(xì)粒度信息的預(yù)測(cè)效果，并降低模型的硬件算力需求。

參考文獻(xiàn)：

[1] HE L，WANG G，HU Z. Learning depth from single images with deep neural network embedding focal length [J]. IEEE Transactions on Image Processing，2018，9（27）：4676-4689.

[2] 羅會(huì)蘭，周逸風(fēng).深度學(xué)習(xí)單目深度估計(jì)研究進(jìn)展 [J].中國(guó)圖象圖形學(xué)報(bào)，2022，27（2）：390-403.

[3] 江俊君，李震宇，劉賢明.基于深度學(xué)習(xí)的單目深度估計(jì)方法綜述 [J].計(jì)算機(jī)學(xué)報(bào)，2022，45（6）：1276-1307.

[4] DENG J，DONG W，SOCHER R，et al. ImageNet：A large-scale hierarchical image database [C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Miami：IEEE，2009：248-255.

[5] CHEN T，AN S，ZHANG Y，et al. Improving monocular depth estimation by leveraging structural awareness and complementary datasets [C]//Proceedings of the European Conference on Computer Vision.Glasgow：IEEE，2020：90-108.

[6] ZHENG Z，XU C，YANG J，et al. Deep hierarchical guidance and regularization learning for end-to-end depth estimation [J].Pattern Recognition，2018，83：430-442.

[7] CHEN X，CHEN X，ZHA Z. Structure aware residual pyramid network for monocular depth estimation [C]//Proceedings of the International Joint Conference on Artificial Intelligence.Macao：AAAI Press，2019：694-700.

[8] LIU J，LI Q，CAO R，et al. A contextual conditional random field network for monocular depth estimation [J].Image and Vision Computing，2020，98：103922-103934.

[9] HUYNH L，NGUYEN-HA P，MATAS J，et al. Guiding monocular depth estimation using depth-attention volume [C]//Proceedings of the European Conference on Computer Vision.Glasgow：IEEE，2020：581-597.

[10] LEE J H，HAN M K，KO D W，et al. From big to small：multi-scale local planar guidance for monocular depth estimation [J/OL].arXiv：1907.10326 [cs.CV].（2021-08-23）.https：//arxiv.org/abs/1907.10326.

[11] MIANGOLEH S M，DILLE S，MAI L，et al. Boosting monocular depth estimation models to high-resolution via content-adaptive multi-resolution merging [C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Nashville：IEEE，2021：9685-9694.

[12] RANFTL R，BOCHKOVSKIY A，KOLTUN V. Vision transformers for dense prediction [C]//2021 IEEE/CVF International Conference on Computer Vision （ICCV）.Montreal：IEEE，2021：12159-12168.

[13] YE X，SUN B，WANG Z，et al. PMBANet：Progressive multi-branch aggregation network for scene depth super-resolution [J].IEEE Transactions on Image Processing，2020，29：7427-7442.

[14] LIU P，ZHANG Z，MENG Z，et al. PDR-Net：Progressive depth reconstruction network for color guided depth map super-resolution [J].Neurocomputing，2022，479：75-88.

[15] EIGEN D，PUHRSCH C，F(xiàn)ERGUS R. Depth map prediction from a single image using a multi-scale deep network [C]//Proceedings of the IEEE Conference and Workshop on Neural Information Processing Systems.Montreal：IEEE，2014：2366-2374.

[16] BHAT S F，ALHASHIM I，WONKA P. AdaBins：Depth estimation using adaptive bins [C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Nashville：IEEE，2021：4009-4018.

[17] PATIL V，SAKARIDIS C，LINIGER A，et al. P3Depth：Monocular depth estimation with a piecewise planarity prior [C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.New Orleans：IEEE，2022：1600-1611.

[18] BRUHN A，WEICKERT J，SCHNORR C. Combining local and global optic flow methods [J].International Journal of Computer Vision，2005，61（3）：211-231.

[19] SILBERMANM N，HOIEM D，KOHLI D，et al. Indoor segmentation and support inference from RGBD images [C]//Proceedings of the European Conference on Computer Vision.Florence：Springer，2012：746-760.

作者簡(jiǎn)介：劉鵬（1982—），男，漢族，遼寧沈陽(yáng)人，講師，碩士，研究方向：深度學(xué)習(xí)、單目深度估計(jì)；王建龍（1983—），男，漢族，河北唐山人，講師，碩士，研究方向：圖像處理、深度學(xué)習(xí)；竇新宇（1983—），男，漢族，河北唐山人，副教授，博士，研究方向：深度學(xué)習(xí)。

收稿日期：2023-01-04

基金項(xiàng)目：唐山市市級(jí)科技計(jì)劃項(xiàng)目（22130205H）