Lite-Mono：轻量级CNN与Transformer融合的单目深度估计新架构

Lite-Mono: A Lightweight CNN and Transformer Architecture for Self-Supervised Monocular Depth Estimation 该研究论文于2023年在计算机视觉与模式识别（CVPR）会议上发表，专注于探索如何在不依赖于真实深度数据的自监督单目深度估计任务中设计轻量级且高效的模型。随着对边缘设备部署需求的增长，研究人员对能在资源受限环境中运行的深度学习模型产生了高度兴趣。 当前许多深度估计架构倾向于采用更复杂的后处理网络，以换取更高的性能，但这样做往往会牺牲模型的大小和效率。为了克服这一问题，研究者提出了Lite-Mono，一个结合了卷积神经网络（CNN）和自注意力机制的轻量化混合架构。Lite-Mono的核心创新包括两个关键模块： 1. 连续膨胀卷积（Consecutive Dilated Convolutions, CDC）模块：这个模块的设计目的是利用多尺度卷积来提取丰富的局部特征。通过引入膨胀卷积，它可以扩大感受野，捕捉不同空间分辨率下的细节信息，从而增强模型对场景结构的理解。 2. 局部-全局特征交互（Local-Global Features Interaction, LGFI）模块：这是Lite-Mono的独特之处，它引入了自注意力机制，允许模型在编码过程中整合来自不同空间位置的信息，实现对长程依赖的有效建模。自注意力机制有助于捕捉图像中的全局上下文，这对于单目深度估计这样的任务至关重要，因为它有助于解决因视差造成的相对位置变化带来的挑战。 实验部分展示了Lite-Mono在保持与更重型模型相当性能的同时，显著降低了模型的计算复杂度和内存占用，这对于实际应用中的实时性和资源效率有着显著的优势。通过一系列的基准测试，研究者证明了他们的轻量级设计不仅在精度上达到或接近现有方法，而且在实际部署环境中的表现更为出色，验证了其在单目深度估计任务中的实用价值。 Lite-Mono论文提供了一个新的研究视角，即如何在深度学习领域巧妙地融合CNN和Transformer，以创造一个既能有效处理单目深度估计问题，又能在边缘设备上高效运行的轻量级解决方案，这将对未来的自监督深度估计技术发展产生深远影响。