ManyDepth训练技巧静态相机增强与零代价体增强如何提升模型鲁棒性【免费下载链接】manydepth[CVPR 2021] Self-supervised depth estimation from short sequences项目地址: https://gitcode.com/gh_mirrors/ma/manydepth在自动驾驶、AR 导航等场景中自监督深度估计一直是备受关注的研究方向。ManyDepth是 CVPR 2021 发表的多帧单目深度估计模型它巧妙地把时序信息用在了深度预测上——测试时只需一次前向传播就能利用短视频序列获得比单帧方法更准、更稳的深度图。然而多帧方法在训练时有一个致命痛点如果训练数据里出现静态相机车辆停车、红绿灯等待或者序列起始帧缺少历史帧代价体cost volume就会失效导致模型崩塌。静态相机增强与零代价体增强正是为解决这一难题而设计的训练技巧。本文用通俗语言拆解这两个技巧的原理与用法帮你快速掌握 ManyDepth 训练的精髓。一、先认识 ManyDepth为什么多帧比单帧更强传统的自监督单目深度估计如 Monodepth2只看一张图靠左右一致性或时序重投影来学深度。ManyDepth 更进一步它把当前帧 历史帧一起送入网络通过构建代价体来聚合多帧的几何信息。从上图可以看出整个流程包含四个关键模块特征提取器Feature extractor分别提取目标帧和源帧的特征位姿估计器Pose CNN估计帧间相对位姿代价体构建Cost volume在候选深度平面 d 上计算特征匹配代价编码器-解码器Encoder-Decoder从代价体回归出最终深度图代价体的价值在于单帧看不清的纹理区域如无纹理墙面、反光路面多帧匹配能提供互补线索从而大幅提升深度预测的鲁棒性。二、训练陷阱静态相机与序列起始帧为何会教坏模型在 KITTI 等真实驾驶数据中车辆经常在路口停车等待。此时相机静止历史帧与当前帧几乎完全相同。代价体基于帧间有视差的假设工作一旦视差为零代价体会产生歧义匹配——模型可能学到所有像素深度都一样的错误先验。同理序列起始帧根本没有历史帧可用。如果训练时强迫网络在这种情况下也依赖代价体测试时遇到类似场景就会输出垃圾深度。ManyDepth 的解决思路非常聪明与其回避问题不如主动制造问题再教模型应对。这正是两种增强augmentation的核心哲学。三、静态相机增强模拟停车场景让模型学会降级静态相机增强的实现位置在manydepth/trainer.py的训练主循环中约 315–333 行。具体做法是以 25% 的概率把某个样本的所有查找帧lookup frames直接替换成当前帧模拟相机完全没动的情况。# static camera augmentation - overwrite lookup frames with current frame if rand_num 0.25: replace_frames [inputs[(color, 0, 0)][batch_idx] for _ in self.matching_ids[1:]] lookup_frames[batch_idx] torch.stack(replace_frames, 0) augmentation_mask[batch_idx] 1替换后代价体中不再包含有效视差信息。网络被迫学会当多帧匹配不可靠时自动回退到单帧预测。配合一致性损失consistency loss模型会学习在匹配失败区域让多帧输出模仿单帧教师网络的输出从而保证深度预测的稳定性。四、零代价体增强模拟序列开头训练网络容忍缺失帧零代价体增强针对的是序列起始帧问题。它以25% 的概率累计到 50% 概率分支把样本的相对位姿全部置零# missing cost volume augmentation - set all poses to 0 elif rand_num 0.5: relative_poses[batch_idx] * 0 augmentation_mask[batch_idx] 1在resnet_encoder.py的match_features函数中网络会检测到位姿为零从而跳过该帧的匹配、在代价体中留下空洞并通过置信度掩码confidence mask告知后续解码器这些区域不可信。通过大量这样的训练样本ManyDepth 学会了在有历史帧时充分利用多帧信息在缺少历史帧时平稳降级为单帧推理不产生突兀的错误深度这种可进可退的能力正是模型在测试时面对任意长度序列都能稳定工作的关键。五、一致性损失两种增强背后的定海神针你可能好奇增强打乱了多帧输入损失函数怎么算答案在trainer.py的compute_losses中增强样本通过augmentation_mask标记这些样本上的重投影损失被屏蔽乘 0避免惩罚故意制造的错误匹配取而代之网络在这类区域优化一致性损失多帧深度与单帧教师网络的深度取绝对值差并最小化trainer.py652–666 行一致性损失让教师网络单帧模型与学生网络多帧模型在不可信区域达成共识既防止代价体噪声污染梯度又保证了增强带来的鲁棒性收益。训练中还可以用--freeze_teacher_epoch 15在后期冻结教师网络稳定收敛CityScapes 建议设为 5。六、最快配置方法3 条命令开启/关闭增强对应参数集中在manydepth/options.py的 ABLATION 区块默认开启静态相机增强 零代价体增强在训练时默认启用无需额外配置关闭增强加--no_matching_augmentation可同时关闭两者用于消融实验训练入口训练脚本为manydepth/train.pyKITTI 复现命令如下CUDA_VISIBLE_DEVICES0 python -m manydepth.train \ --data_path your_KITTI_path \ --log_dir your_save_path \ --model_name mdp小贴士显存不足时调低--batch_size想要更高分辨率可加--height 320 --width 1024。评估模型则使用manydepth/evaluate_depth.py记得先运行export_gt_depth.py提取真值深度。七、总结鲁棒性不是天上掉下来的ManyDepth之所以能在 KITTI、CityScapes 上取得领先的自监督深度估计成绩一半功劳要归于这两种看似简单的数据增强。它们用 50% 的训练样本故意制造困难逼迫网络学会识别匹配何时不可靠、如何在不可靠时优雅降级。对于新手建议先跑通默认训练流程再用--no_matching_augmentation做一次消融对比——你会发现去掉这两种增强后模型在停车帧和序列边界上的深度估计会明显退化。理解了这一点你就真正掌握了 ManyDepth 训练的核心技巧。【免费下载链接】manydepth[CVPR 2021] Self-supervised depth estimation from short sequences项目地址: https://gitcode.com/gh_mirrors/ma/manydepth创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考