Paper on monocular depth estimation: Unsupervised method for monocular depth estimation using left-right consistency.

Unsupervised Monocular Depth Estimation with Left-Right Consistency

#摘要
与以往依赖深度图作为标签（GT）的有监督方法不同，本文所采用的策略是利用易于获取的双目图像进行训练。通过引入epipolar geometry constraints，我们训练网络生成视差图像，并采用图像重建损失作为训练目标。实验结果表明，仅依靠图像重建损失进行优化会导致生成的图像质量较低。为解决这一问题，我们提出了一种全新的训练损失函数，该函数增强了左右图像之间差异的一致性。与现有方法相比，这种方法显著提升了模型的性能和鲁棒性。

#介绍
然而，这些技术通常建立在对目标场景进行多次观测的前提之上。因此，近年来涌现出许多基于单目深度估计的监督学习方法。然而，这类方法需要大量带有标注的深度图数据，其获取成本较高。而我们的全卷积模型则无需任何深度数据作为输入，而是被训练以将深度信息合成到中间变量中。

我们的算法具有以下三个主要贡献：

1. 提出了一种网络结构，在端到端无监督框架下实现单目深度估计，并设计了新的训练损失函数以确保网络内部左右视图之间的深度一致性。
2. 对多种训练损失函数和图像生成模型进行了评估，并突显了我们方法的有效性。
3. 除了在具有挑战性的数据集上取得最优结果外，还展示了该模型在三个不同数据集上的表