针对单目图像在深度估计时面临的尺度模糊和边界细节失真问题,提出了一种融合变分与多尺度信息的深度估计算法(DLNet)。该算法利用拉普拉斯算子来突出图像中的高频部分,同时引入拉普拉斯金字塔帮助网络在不同尺度上分析图像的细节和结构;同时对场景中不变性规律进行探索,通过引入一阶变分约束驱使网络注意到场景空间中相邻像素的深度梯度,学习相邻像素的深度差得到粗粒度深度图;最后,利用拉普拉斯金字塔得到的多尺度信息来避免上采样带来的边界信息损失,逐步组合相应的输出得到细粒度的深度图。在KITTI和NYU Depth V2基准数据集上进行广泛的评估和消融实验,证明了所提出方法的有效性。实验结果表明,所提出方法在大多数指标上的结果都表现突出。
