KITTI数据集深度估计新标杆：Lite-Mono 8.7M模型性能全面测评

【免费下载链接】Lite-Mono[CVPR2023] Lite-Mono: A Lightweight CNN and Transformer Architecture for Self-Supervised Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/li/Lite-Mono

Lite-Mono是CVPR2023收录的轻量级CNN与Transformer融合架构，专为自监督单目深度估计任务设计。该模型以仅8.7M的参数量，在KITTI数据集上实现了精度与速度的双重突破，为实时场景理解提供了高效解决方案。

技术架构解析：轻量化设计的核心突破

Lite-Mono的创新架构通过三个关键模块实现性能飞跃：

• 跨深度卷积块(CDC Blocks)：采用多尺度卷积核捕捉上下文信息
• 局部全局特征交互模块(LGFI Block)：融合细粒度细节与全局语义
• 渐进式上采样结构：平衡精度与计算效率

图1：Lite-Mono的DepthNet与PoseNet双网络结构，展示了从特征提取到深度预测的完整流程

该架构在lite-mono-pretrain-code/models/litemono.py中实现，通过模块化设计确保了代码的可扩展性和可维护性。

性能测评：8.7M模型的精度革命

在KITTI标准测试集上，Lite-Mono系列模型展现了卓越性能：

核心指标领先

• Lite-MonoLarge：mCE 90.75%，mRR 85.54%，在保持轻量级的同时超越众多大模型
• Lite-MonoBase：以8.7M参数量实现93.16% mCE和85.99% mRR，参数量仅为MonoDepth2的1/10

鲁棒性测试

面对复杂环境干扰时，Lite-Mono表现出优异的稳定性：

图2：不同模型在清洁、明亮、黑暗、雾天等8种环境下的性能对比，Lite-Mono系列（底部四行）展现了最佳综合表现

在黑暗环境中，Lite-MonoLarge的误差值(0.227)比MonoDepth2(0.280)降低19%；雾天场景下误差降低19.4%，充分验证了其环境适应性。

速度测试：实时部署的理想选择

Lite-Mono在不同硬件平台上均实现了高效推理：

图3：左图为Titan XP显卡上的推理速度，右图为Jetson Xavier边缘设备上的性能表现

关键速度指标：

• Titan XP：批量处理16张图像时达到115.3ms/帧
• Jetson Xavier：实时处理达到47.4ms/帧（约21FPS）
• 相比MonoDepth2，在相同精度下速度提升3倍以上

这种高效性能源于精心设计的网络结构和优化策略，相关实现可参考lite-mono-pretrain-code/engine.py中的推理流程。

快速开始：三步上手Lite-Mono

1. 环境准备

git clone https://gitcode.com/gh_mirrors/li/Lite-Mono cd Lite-Mono pip install -r lite-mono-pretrain-code/requirements.txt

2. 数据准备

下载KITTI数据集并按datasets/kitti_dataset.py中的格式要求组织数据

3. 推理测试

python test_simple.py --model_name Lite-Mono-8M --image_path ./test_image.jpg

总结：轻量级深度估计的新范式

Lite-Mono通过创新的CNN-Transformer混合架构，在8.7M参数量下实现了：

• 精度超越传统大模型
• 实时推理速度满足边缘设备需求
• 优异的环境鲁棒性适应复杂场景

无论是自动驾驶、机器人导航还是AR应用，Lite-Mono都提供了一种高效、经济的深度估计解决方案。项目持续维护中，更多优化和功能可关注train.py和trainer.py的更新记录。

对于研究人员，可通过networks/目录下的深度编码器和解码器实现进行二次开发；普通用户则可直接使用预训练模型快速部署应用。Lite-Mono正推动着轻量级视觉模型在实际场景中的广泛应用。

【免费下载链接】Lite-Mono[CVPR2023] Lite-Mono: A Lightweight CNN and Transformer Architecture for Self-Supervised Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/li/Lite-Mono