DeFeat-Net：通过同步无监督表征学习实现通用单目深度估计

基于摘要分析。DeFeat-Net 针对单目深度估计中光度一致性在夜间或恶劣天气下失效的问题，同时无监督学习跨域稠密特征表征、深度与运动，以变换后的特征一致性构建更稳健的深度估计框架。 核心机制是将依赖像素外观的 warped photometric consistency 转向 learned feature 空间中的 warped feature consistency；特征学习不需要显式的真实对应关系。该方法依赖图像间可用于几何变换与一致性约束的结构，并非一般意义上可直接用于任意信号的无监督表征方法。具体损失、运动建模方式、训练数据规模及各模块的优化关系尚未验证。 作者报告，在单一域内，该方法的单目深度估计表现可与当时的领先方法相比，特征表征表现可与有监督特征学习相比；在夜间驾驶等更具挑战性的序列上，相对当时的领先方法，所有误差度量约降低 10%。摘要未给出数据集名称、具体误差指标、划分及基线配置，因此该数字只能限定于作者所述评估情境，不能外推为普遍的跨域收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可借鉴的机制是假设在学习到的表征空间施加一致性，比在原始 EEG 波形上施加一致性更能容忍部分观测变化。但 EEG 缺少图像深度与相机运动对应的几何变换结构，深度和运动模块不能直接迁移；需要重新定义保留任务信息的信号变换与一致性约束。低信噪比、跨被试差异、通道变化及小数据可能使表征忽略有效神经活动或产生退化解。一个可证伪的小实验是在固定跨会话划分与相同编码器下，对比原始信号一致性和表征一致性，并核对下游任务表现及表征是否退化。已有 EEG 相关工作尚未检索确认。