实时轻量化自监督单目深度估计

单目深度估计旨在从单张RGB图像预测场景中的深度信息,但现有的大多数先进单目深度估计模型计算开销大、难以在资源受限设备上实现实时推理.本文提出一种面向实时应用的轻量自监督单目深度估计网络.编码端通过可分解大核卷积与局部深度卷积协同建模,在低计算开销下同时捕获长程上下文与局部细节;解码端利用跨尺度特征差分作为引导信息实现多尺度特征之间的动态融合,从而在轻量约束下提升细节恢复与几何一致性.此外,引入时序软融合重投影损失,充分利用前后帧的互补信息,增强自监督训练的鲁棒性.模型参数量为 3.0 M,计算量为 3.5 GFLOPs;在KITTI数据集上取得Abs Rel=0.105,δ1=0.892,在Make3D数据集零样本测试中取得Abs Rel=0.308.在RK3588S平台上使用混合量化模型进行多线程推理可达67 frames/s.实验结果表明,所提方法在端侧实现了良好的精度-效率平衡,适用于实时单目深度估计任务.