摘要
尽管关于轻量级单目深度估计模型的研究一直很活跃，但由于计算资源和内存容量的限制，在边缘设备上实现实时部署仍然具有挑战性。为了解决这些限制，我们提出了一种用于自监督单目深度估计的轻量级模型。我们将每个特征提取块的迭代次数减少了一半，同时提出的不对称扩张卷积（Asymmetric Dilated Convolution）模块和StarNext模块弥补了模型容量的减少。具体来说，不对称扩张卷积模块通过非对称核捕捉水平和垂直结构特征，而StarNext模块通过元素级乘法融合多尺度特征。在模型训练中，应用随机裁剪和缩放来诱导模型关注局部对象特征。此外，我们引入了一种基于预推导的视差图的视差引导裁剪（Disparity-guided Cutout）技术，以随机屏蔽相邻像素。在KITTI数据集上的仿真结果表明，与基线模型Lite-Mono相比，该模型将参数数量和GFLOPs分别降低了约50%和58%，同时深度估计精度没有显著下降。另外，在Jetson Orin Nano平台上的推理测试表明，在MaxN、25 W、15 W和7 W三种功耗模式下，模型的运行速度分别提高了约46.0%、46.1%、46.3%和52.0%。
