對于人來說，看一張平面照片能夠想象到重建后的3D場景布局，能夠根據(jù)2D圖像中包含的有限信號來識別對象，確定實例大小并重建3D場景布局。

這個問題有一個術(shù)語叫做光學可逆問題inverse optics problem，它是指從視網(wǎng)膜圖像到視網(wǎng)膜刺激源的模糊映射。

現(xiàn)實世界中的計算機視覺應(yīng)用，例如自動駕駛就嚴重依賴這些功能來定位和識別3D對象，這需要AI模型來推斷投影到2D圖像的每個3D點的空間位置、語義類別和實例標簽。

從圖像重建3D世界的能力可以分解為兩個獨立的子任務(wù)：單眼深度估計（從單個圖像預測深度）和視頻全景分割（實例分割和語義分割）。

研究人員通常對每個任務(wù)提出不同的模型，通過在多個任務(wù)之間共享計算的模型權(quán)重。在實際應(yīng)用的時候，將這些任務(wù)與統(tǒng)一的計算機視覺模型一起處理可以簡化部署提高效率。

基于這個研究背景，Google提出一個全新的模型ViP-DeepLab，通過深度感知視頻全景分割來學習視覺感知，已被CVPR 2021接受，旨在同時解決單眼深度估計和視頻全景分割。

論文中還導出了兩個數(shù)據(jù)集，并提出了一種稱為深度感知視頻全景質(zhì)量（DVPQ）的新評估指標，這個新指標可以同時評估深度估計和視頻全景分割。

ViP-DeepLab是一個統(tǒng)一的模型，可以對圖像平面上的每個像素聯(lián)合執(zhí)行視頻全景分割和單眼深度估計，并在子任務(wù)的幾個學術(shù)數(shù)據(jù)集取得了sota結(jié)果。

ViP-DeepLab通過從兩個連續(xù)的幀作為輸入來執(zhí)行其他預測，輸出包括第一幀的深度估計，它為每個像素分配一個深度估計值。

此外，ViP-DeepLab還對出現(xiàn)在第一幀中的對象中心執(zhí)行兩個連續(xù)幀的中心回歸，此過程稱為中心偏移預測，它允許兩個幀中的所有像素分組到出現(xiàn)在第一幀中的同一對象。如果未將新實例匹配到先前檢測到的實例中，則會出現(xiàn)新實例。

ViP-DeepLab的輸出可以用于視頻全景分割。連接兩個連續(xù)的幀作為輸入。語義分割輸出將每個像素與其語義類別相關(guān)聯(lián)，而實例分割輸出則從與第一幀中的單個對象相關(guān)聯(lián)的兩個幀中識別像素，輸入圖像來自Cityscapes數(shù)據(jù)集。

論文中在多個流行的基準數(shù)據(jù)集上測試了ViP-DeepLab，包括Cityscapes-VPS，KITTI深度預測和KITTI多對象跟蹤和分段（MOTS）。

ViP-DeepLab都取得了SOTA的結(jié)果，在Cityscapes-VPS測試上，其視頻全景質(zhì)量（VPQ）大大優(yōu)于以前的方法，達到了5.1％。

在KITTI深度預測基準上進行單眼深度估計的比較，對于深度估算指標，值越小，性能越好。盡管差異可能看起來很小，但在此基準上性能最高的方法通常在SILog中的間隙小于0.1。

此外，VIP-DeepLab也在KITTI MOTS行人和汽車排名度量使用新的度量標準HOTA，都取得了顯著提升。

最后，論文中還為新任務(wù)提供了兩個新的數(shù)據(jù)集，即深度感知視頻全景分割，并在其上測試了ViP-DeepLab，而這個模型的結(jié)果將成為社區(qū)進行比較的基準模型。

ViP-DeepLab具有簡單的體系結(jié)構(gòu)，可在視頻全景分割，單眼深度估計以及多對象跟蹤和分割方面實現(xiàn)最先進的性能，這個模型也能幫助進一步研究對2D場景中的真實世界。