Self-Supervised Perceptually Interpretable Monocular Depth Estimation

📄 arXiv: 2609.30987v1 📥 PDF

作者: Zain Ul Abidin, George Dimas, Dimitris K. Iakovidis

分类: cs.CV

发布日期: 2026-09-25

备注: Published at IEEE ICIP 2026; 6 pages, 4 figures

期刊: 2026 IEEE International Conference on Image Processing (ICIP), pp. 1-6, 2026

DOI: 10.1109/ICIP61757.2026.11630094

💡 一句话要点

提出自监督感知可解释的单目深度估计方法以提升透明度

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 单目深度估计 自监督学习 可解释性 感知特征图 深度学习 计算机视觉 自动驾驶

📋 核心要点

  1. 现有的单目深度估计方法在准确性上有所提升，但缺乏可解释性，难以分析失败案例。
  2. 本文提出了一种新的自监督框架，通过感知特征图将深度预测与图像的感知成分关联，从而提升可解释性。
  3. 在KITTI数据集上的实验表明，PIMDE在保持准确性的同时，提供了对深度估计过程的更深入理解。

📝 摘要（中文）

自监督单目深度估计（MDE）能够在不需要真实标签的情况下，从单幅图像中预测深度，适用于大规模和现实应用。尽管准确性不断提高，现有方法往往难以解释，因为深度是从RGB表示中推断的，这掩盖了各个感知图像成分的影响。本文提出了一种自监督的感知可解释单目深度估计（PIMDE）框架，旨在将深度预测与输入图像的不同感知成分关联。该方法将每幅图像分解为一组感知特征图（PFMs），每个图编码特定的视觉线索。不同的深度估计分支独立处理这些PFMs，生成深度估计（PIDEs），然后通过显式融合策略组合。这种方法使我们能够直接检查每个感知线索对最终深度预测的贡献。实验结果表明，PIMDE在KITTI基准数据集上的表现与现有自监督MDE方法相当，同时提供了对不同感知线索如何影响深度估计的额外洞察。

🔬 方法详解

问题定义：本文旨在解决现有单目深度估计方法的可解释性不足问题。现有方法通常直接从RGB图像中推断深度，导致难以分析各个视觉成分对深度预测的影响。

核心思路：提出的PIMDE框架通过将输入图像分解为多个感知特征图（PFMs），使得每个特征图编码特定的视觉线索，从而独立处理这些线索以生成深度估计。

技术框架：整体架构包括图像分解模块、多个深度估计分支和融合模块。首先将输入图像分解为PFMs，然后每个分支独立处理这些PFMs，最后通过显式融合策略将各个深度估计结合。

关键创新：最重要的创新在于通过感知特征图的分解，使得深度估计过程透明化，能够直接分析每个视觉线索对最终结果的贡献。这与传统方法的黑箱特性形成鲜明对比。

关键设计：在网络结构上，设计了多个深度估计分支，每个分支对应一个特定的PFM。此外，采用了适当的损失函数来优化每个分支的深度估计精度，并确保最终融合的深度估计具有较高的准确性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在KITTI基准数据集上的实验结果显示，PIMDE的性能与现有自监督深度估计方法相当，同时提供了对深度估计过程中各个感知线索影响的深入分析。这种方法不仅保持了准确性，还提升了模型的可解释性，具有重要的实际意义。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和增强现实等场景。在这些安全关键的应用中，深度估计的可解释性能够提升系统的可靠性和用户的信任度。未来，该方法有望推动更多领域的深度学习模型向可解释性方向发展。

📄 摘要（原文）

Self-supervised monocular depth estimation (MDE) enables depth prediction from monocular images without requiring ground-truth supervision, making it attractive for large-scale and real-world applications. Despite steady improvements in accuracy, most existing methods remain difficult to interpret, as depth is inferred from RGB representations that obscure the impact of individual perceptual image components. This lack of transparency limits systematic analysis of failure cases and reduces confidence in safety-critical settings. This paper presents a self-supervised framework for perceptually interpretable monocular depth estimation (PIMDE), designed to associate depth predictions with distinct perceptual components of the input image. Rather than operating directly on RGB inputs, the proposed method decomposes each image into a set of perceptual feature maps (PFMs), each encoding a specific visual cue. Distinct depth estimation branches process these PFMs independently to produce depth estimates (PIDEs), which are subsequently combined through an explicit fusion strategy. This formulation allows us to examine directly the contribution of each perceptual cue to the final depth prediction. Experiments conducted on the KITTI benchmark dataset demonstrate that PIMDE achieves performance comparable to established self-supervised MDE methods while providing additional insight into how different perceptual cues influence depth estimation. These results indicate that perceptual decomposition can support interpretability without sacrificing depth estimation accuracy.