《表1 堆叠Cycle GAN对深度估计的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《引入生成对抗网络的室外场景单目深度估计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

但是，Cycle GAN属于无监督学习，利用非成对的数据集训练。而且，损失函数只限制了生成结果属于深度图像域，而无法限制和原有对应输入图像的相似性，也无法实现像素到像素的映射。然而，深度估计任务中，输出的深度图像与原始对应输入图像具有紧密的联系，需要共享大量的空间与几何信息，属于有监督的信息。为了更好地让Cycle GAN网络利用这种成对数据的有监督信息，从损失函数方面进行改进，在损失函数中引入L1距离函数，方便直接实现成对数据的像素级约束。引入L1函数后的性能提升如表1所示。