XiDepth: a Lightweight and Efficient Network for Self-supervised Monocular Depth Estimation

📄 arXiv: 2608.03666v1 📥 PDF

作者: Elena Izzo, Riccardo Toniolo, Lamberto Ballan

分类: cs.CV

发布日期: 2026-08-04

备注: Accepted to IEEE AVSS 2026

💡 一句话要点

提出XiDepth以解决自监督单目深度估计的轻量化问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 自监督学习 单目深度估计 轻量网络 嵌入式系统 计算机视觉 机器人技术 深度学习

📋 核心要点

  1. 现有自监督单目深度估计方法在资源效率和性能之间存在权衡，难以在嵌入式设备上实现高效运行。
  2. 论文提出的XiDepth架构基于XiNet操作块，旨在优化特征提取过程，同时降低计算复杂度和能耗。
  3. 在KITTI数据集上，XiDepth以0.8M参数量实现了最先进的性能，并在Raspberry Pi 4上显著降低了FLOPs和能耗。

📝 摘要（中文）

自监督单目深度估计因其对昂贵深度传感器的低依赖性而成为设计轻量高效模型的理想方案，适用于计算资源受限的设备。该方法通过消除对真实标注的需求，利用单目相机的简单性，促进了数据收集的经济性和广泛适用性。然而，如何在不妥协整体性能的情况下实现资源高效的神经网络是一个关键挑战。现有的最先进模型通常采用深度卷积和注意力机制，但这些功能往往会导致高能耗并在嵌入式环境中面临兼容性问题。为此，我们提出了基于XiNet操作块的轻量架构XiDepth，旨在增强特征提取，同时保持低计算复杂度和能耗。在KITTI数据集上，XiDepth以仅0.8M的参数量实现了最先进的性能，并在Raspberry Pi 4上的测试进一步确认了其在实际嵌入式应用中的适用性，相比领先方法减少了40%的FLOPs和35%的能耗。

🔬 方法详解

问题定义：本论文旨在解决自监督单目深度估计中资源效率不足的问题。现有方法通常依赖于复杂的深度卷积和注意力机制，导致高能耗和在嵌入式设备上的兼容性问题。

核心思路：论文提出的XiDepth架构通过引入XiNet操作块，优化了特征提取过程，旨在在保持性能的同时显著降低计算复杂度和能耗。

技术框架：XiDepth的整体架构包括特征提取模块、深度估计模块和后处理模块。特征提取模块利用XiNet操作块进行高效的特征提取，深度估计模块则基于提取的特征进行深度预测，后处理模块用于优化输出结果。

关键创新：XiDepth的主要创新在于其轻量化设计和高效的特征提取机制。与现有方法相比，XiDepth在参数量和计算复杂度上大幅降低，同时保持了竞争力的深度估计性能。

关键设计：在设计中，XiDepth使用了仅0.8M的参数量，并通过优化损失函数和网络结构，确保了在嵌入式环境中的高效运行。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在KITTI数据集上，XiDepth以仅0.8M的参数量实现了最先进的性能，并在Raspberry Pi 4上测试时，FLOPs减少了40%，能耗降低了35%，显示出其在实际嵌入式应用中的优越性。

🎯 应用场景

该研究的潜在应用领域包括机器人、自动驾驶、增强现实等，尤其是在计算资源受限的设备上，XiDepth能够提供高效的深度估计解决方案。其轻量化特性使得在移动设备和嵌入式系统中的应用成为可能，具有重要的实际价值和广泛的未来影响。

📄 摘要（原文）

Self-supervised monocular depth estimation has emerged as an appealing solution to design lightweight and effective models for deployment on computationally constrained devices due to its reduced reliance on expensive depth sensors. By eliminating the need for ground-truth annotations and leveraging the simplicity of monocular camera setups, this approach facilitates cost-effective data collection and broad applicability across fields such as computer vision and robotics. A critical challenge is achieving resource-efficient neural networks without compromising the overall performance. State-of-the-art models generally adopt depth-wise convolutions and attention mechanisms; however, these functions often incur high energy costs and face compatibility issues in embedded environments. To address this, we propose XiDepth, a lightweight architecture based on the XiNet operator block, designed to enhance feature extraction while maintaining low computational complexity and energy demand. On the KITTI dataset, XiDepth achieves state-of-the-art performance with only 0.8M parameters. Tests on a Raspberry Pi 4 further confirm its suitability for real-world embedded applications, reducing FLOPs by 40% and energy consumption by 35% compared to leading methods.