基于两阶段的轻量级深度估计方法

来源：上海理工大学学报杂志2025年第6期北京时间：

作者：丁程威，魏国亮

单位：上海理工大学 光电信息与计算机工程学院，上海 200093,上海理工大学 管理学院，上海 200093

摘要：针对传统单目深度估计中相对估计方法丢失尺度信息、度量估计方法边缘精度不足，以及现有深度网络参数量大、计算成本高的问题，提出了一种两阶段融合框架LacDepth。该框架旨在通过2个阶段来融合度量估计和相对估计方法。第一阶段，深度残差金字塔模块采用多尺度拉普拉斯残差补偿机制，通过高频特征增强策略有效提升边缘轮廓的几何保真度；第二阶段，轻量化吸引子驱动分类器构建三级级联深度区间预测网络，基于条件对数二项分布建立像素级概率密度函数，通过可微分加权实现相对深度值的亚区间微调。实验结果显示，LacDepth在KITTI数据集上的综合表现最佳，平均相对误差为0.059，参数量为9.8×106，在精度与效率的平衡性方面展现出显著优势。

关键词：深度估计;多尺度特征融合;特征增强;轻量级网络;分类策略

基金资助：国家自然科学基金资助项目（62273239）；上海市“科技创新行动计划”国内科技合作项目（20015801100）