一位程序员小哥，正在Facebook食堂愉快地准备喝咖啡。
突然，就被水淹了。
而另一位正好好坐着玩手机的同学，则猝不及防地遭遇了屋顶漏雪事件。
不过几秒钟的时间，不仅头发上覆上了一层雪，脚面都被积雪埋住了。
遭遇“灵异事件”的还有一只无辜的小猫咪。
它本乖乖坐在小桌板上专心卖萌，房间却突然暗了下来，还有奇怪的小光球开始绕着它转圈圈！
当事猫表示：当时我心里害怕极了。
看着受害猫惊（dan）慌（ding）的表情，兼此事件一时引得物议沸腾：
我们决定：走进科学。
而当我们剥开事实的真相，发现，这一切事件的“始作俑者”竟是——
来自华盛顿大学和Facebook的最新单目深度估计算法，已中SIGGRAPH 2020，将于下周在GitHub上开源。
单目视频深度估计
算法的核心思路，是结合单图像深度估计网络和传统的结构-运动重建法，使网络学会为指定视频生成几何一致的深度。
该方法整体设计架构如下。
输入单目视频，对一对相机位置不同的帧进行采样，然后，用预先训练好的单图像深度估计模型估计深度，得到初始深度图。
对这对图像，使用光流法前后向一致性检查建立对应关系。
接着，利用这些对应关系和相机位置提取三维几何约束。
将三维几何约束分解为两个损失：
空间损失视差损失通过标准反向传播，用这两个损失对深度估计网络的权重进行微调，以最小化多帧几何不一致性误差。
如此，只需要对视频中任意帧进行配对采样，就可以将这一过程扩展到整个视频，对单目视频中的所有像素进行几何一致的深度重建。
在研究人员的实验中，对于一个244帧的视频，用4个英伟达Tesla M40 GPU训练下来需要40分钟。
超过此前SOTA，各个数据集上表现稳定
在评估深度重构方法方面，已经有了很多数据集。
但论文作者认为，这些数据集或多或少存在一些问题——要么是合成的，要么是针对自动驾驶等特定领域的，要么是针对单幅图像或静态场景的视频的，并不能完美地评估他们方法有效性。
于是他们用手持摄像机做了一个自定义3D数据集，来进行评估。数据集由静态和物体运动量很小的动态场景组成，视频的分辨率为1920×1440像素，长度从119帧到359帧不等。
对比的对象是此前最先进的深度估计模型：传统的多视角立体视觉系统COLMAP、单图像深度估计模型Mannequin Challenge和MiDaS-v2、基于视频的深度估计模型WSVD(两帧)和 NeuralRGBD(多帧)。
评估的指标一共有三个，覆盖模型的“测光误差”（Es）、“（不）稳定性”（Ed）、“漂移程度”（Ep），都是反向指标，数值越小，证明模型效果更好。
从下图中可以看出，无论是静态场景还是动态场景，论文中提出的深度估计算法，在各个指标上都是最优。
从直观的结果中也能够看出效果的差异：
不仅精度和几何一致性更高，视觉效果也更加稳定。
此外，为了评估的完整性与公平性，他们还在三个公开数据集上，与这些模型进行了定量比较，分别是：TUM数据集、ScanNet数据集和KITTI 2015数据集。
下表展示的是ScanNet数据集上结果，论文中提出的方法虽然不是最优，但与最优算法的差距并不算大。
来自中国女学霸，本科毕业于上海交大
这一研究成果来自华盛顿大学、Facebook等研究机构，一共有5名学者参与。
一作名为罗璇，是华盛顿大学在读博士，2015年毕业于上海交大ACM班，是戴文渊等大神的直系学妹。
本科毕业之后，先后拿到加州伯克利大学、华盛顿大学等高校Offer，为了追求“虚拟视觉”而选择了华盛顿大学，这也是她从高中就开始关注的领域。
去华盛顿大学读博之后，她先后在迪士尼、谷歌等知名企业实习，当前的这一研究成果，是她在Facebook实习期间的研究成果。
第二作者是Jia-Bin Huang，弗吉尼亚理工学院助理教授，本科毕业于***立交通大学。论文的其他三位作者， 都来自Facebook，分别是Richard Szeliski、Kevin Matzen、Johannes Kopf。
关于这一研究，他们在结论部分提到了不足之处——比较依赖此前的研究成果，比如用COLMAP估计单目视频中摄像机的姿态，依赖FlowNet2建立几何约束等等。
这些方法的不足，也直接影响到了罗璇等人的研究。
另一个值得改进的地方在于，它不支持在线处理，训练244帧的视频需要约40分钟，如果想要实际的生活中，还需要进一步优化。
但从广大网友的山呼海啸般的反响中，也能够看到算法一旦实现，用户是肯定有的~
你期待吗？
传送门
论文地址：
https://arxiv.org/abs/2004.15021
项目地址：
https://roxanneluo.github.io/Consistent-Video-Depth-Estimation/
“
