# SliceNet: deep dense depth estimation from a single indoor panorama using a slice-based representation(CVPR 2021)
* ==**論文:**== https://ieeexplore.ieee.org/document/9577890
* ==**主要特點:**==
1. 使用多層特徵對深度進行預測
2. 利用Bi-directional Long Short-Term Memory(BiLSTM)恢復不同特徵之間的相依性。
3. <font color="#e89845">損失考慮了預測的深度圖和真實深度圖之間的梯度關係</font>
* ==**方法:**==
1. **網路架構**:

2. **激活函數**:
作者使用PReLU而不是傳統的ReLU和Leaky-ReLU，因為在深度估計任務中，損失通常不是特別的大，若使用ReLU和Leaky-ReLU容易造成梯度消失。


3. **損失函數**:
使用Reverse Huber Loss

| 符號 | 意義 |
| -------- | -------- |
| $e$ | 預測與目標間的誤差 |
| $c$ | 通常設為整個mini batch中，誤差最大20%|

作者不只是對最後的深度圖去計算損失，還將<font color="#e89845">預測深度圖的x軸方向梯度和y軸方向的梯度，去與GT的x軸方向的梯度和y軸方向的梯度計算損失</font>

作者認為由於卷積層的關係，容易損失細節部分的特徵，所以利用這種方法讓模型能夠去估算出更細節的深度圖。公式如下:


| 符號 | 意義 |
| -------- | -------- |
| $D$ | 預測的深度圖|
| $D^*$| Ground Truth|
| $\nabla{x}$| x軸方向上的梯度|
| $\nabla{y}$| y軸方向上的梯度|

而在計算x、y軸的梯度時，可以使用<font color="#e89845">Sobel filter</font>來執行。Sobel filter的卷積核如下:


效果:

公式推導: https://nrsyed.com/2018/02/18/edge-detection-in-images-how-to-derive-the-sobel-operator/

* ==**結果:**==

有加x、y軸的梯度損失跟沒有加的比較如下: