局部注意力作用下基于全局信息关联的自监督单目深度估计模型

当前大量基于全局注意力机制的单目深度估计方法虽然在捕捉长程依赖关系上表现出色，但其计算复杂度和参数量往往较高，且容易受到无关区域干扰而降低对细节的估测能力。为此，提出一种基于局部注意力机制，并利用深度可分离卷积和Shuffle操作进行全局信息交互的自监督单目深度估计模型。所提方法首先在划分的局部窗口内计算注意力，再在空间维度与通道维度上结合深度可分离卷积与Shuffle操作有效整合全局信息。在公开数据集KITTI上的实验结果表明，所提方法可在减少计算复杂度和参数量的同时，有效提升对深度细节的处理能力，其性能显著优于基于全局注意力机制的主流方法。