[发明专利]3D景深估计方法、装置及终端设备

权利要求书

1.一种3D景深估计方法，其特征在于，包括：

获取待估计2D图像；

通过预训练的编码器神经网络模型，得到所述待估计2D图像的显著性特征图像；

根据预训练的景深估计解码器神经网络模型、所述显著性特征图像以及所述待估计2D图像，得到所述待估计2D图像的3D景深估计结果；

其中，所述根据预训练的景深估计解码器神经网络模型、所述显著性特征图像以及所述待估计2D图像，得到所述待估计2D图像的3D景深估计结果，包括：

将所述待估计2D图像和所述显著性特征图像输入至所述景深估计解码器神经网络模型，得到所述景深估计解码器神经网络模型的输出结果，所述输出结果为所述3D景深估计结果。

2.如权利要求1所述的方法，其特征在于，在所述根据预训练的景深估计解码器神经网络模型、所述显著性特征图像以及所述待估计2D图像，得到所述待估计2D图像的3D景深估计结果之后，还包括：

对所述3D景深估计结果进行滤波操作，并将所述3D景深估计结果与所述待估计2D图像进行匹配，得到去噪后的3D景深估计结果。

3.如权利要求1或2所述的方法，其特征在于，在所述获取待估计2D图像之前，还包括：

利用第一训练数据集和欧氏距离损失函数，训练所述编码器神经网络模型；

利用第二训练数据集和排序损失函数，训练所述编码器神经网络模型，并利用随机梯度下降算法优化所述编码器神经网络模型的网络参数；

利用所述第一训练数据集和所述第二训练数据集，训练所述景深估计解码器神经网络模型。

4.如权利要求3所述的方法，其特征在于，利用所述第一训练数据集和所述第二训练数据集，训练所述景深估计解码器神经网络模型，包括：

利用所述第一训练数据集，根据第一预设学习率，训练所述景深估计解码器神经网络模型，并每当训练步数达到第一预设训练步数后，以第一预设衰减系数进行线性衰减；

利用所述第二训练数据集，根据第二学习率和第二预设训练步数，训练所述景深估计解码器神经网络模型。

5.一种3D景深估计装置，其特征在于，包括：

获取模块，用于获取待估计2D图像；

显著性特征图像生成模块，用于通过预训练的编码器神经网络模型，得到所述待估计2D图像的显著性特征图像；

3D景深估计模块，用于根据预训练的景深估计解码器神经网络模型、所述显著性特征图像以及所述待估计2D图像，得到所述待估计2D图像的3D景深估计结果；

所述3D景深估计模块具体用于：将所述待估计2D图像和所述显著性特征图像输入至所述景深估计解码器神经网络模型，得到所述景深估计解码器神经网络模型的输出结果，所述输出结果为所述3D景深估计结果。

6.如权利要求5所述的装置，其特征在于，还包括：

去噪模块，用于对所述3D景深估计结果进行滤波操作，并将所述3D景深估计结果与所述待估计2D图像进行匹配，得到去噪后的3D景深估计结果。

7.如权利要求5或6所述的装置，其特征在于，还包括：

第一训练模块，用于利用第一训练数据集和欧氏距离损失函数，训练所述编码器神经网络模型；

第二训练模块，用于利用第二训练数据集和排序损失函数，训练所述编码器神经网络模型，并利用随机梯度下降算法优化所述编码器神经网络模型的网络参数；

第三训练模块，用于利用所述第一训练数据集和所述第二训练数据集，训练所述景深估计解码器神经网络模型。

8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。