Depth information used in SLAM and visual odometry is essential in robotics. Depth information often obtained from sensors or learned by networks. While learning-based methods have gained popularity, they are mostly limited to RGB images. However, the limitation of RGB images occurs in visually derailed environments. Thermal cameras are in the spotlight as a way to solve these problems. Unlike RGB images, thermal images reliably perceive the environment regardless of the illumination variance but show lacking contrast and texture. This low contrast in the thermal image prohibits an algorithm from effectively learning the underlying scene details. To tackle these challenges, we propose multichannel remapping for contrast. My method allows a learning-based depth prediction model to have an accurate depth prediction even in low light conditions. We validate the feasibility and show that my multi-channel remapping method outperforms the existing methods both visually and quantitatively over STheReO dataset.
센서에서 얻거나 네트웨크에서 학습하여 얻은 깊이 정보는 슬램 및 시각적 주행 거리 측정에 사용되며 로봇 공학에 필수적이다. 학습 기반 방법을 많이 연구하였지만 대부분 RGB 이미지에 국한된다는 문제가 있다. RGB 이미지는 빛이 적은 환경에서는 이미지가 잘 나타나지 않아 열화상 이미지가 이러한 환경에 해답으로 제시된다. 열화상 이미지는 일반 이미지와 달리 빛의 여부와 관계없이 안정적으로 이미지를 얻을 수 있지만 텍스쳐와 대비가 부족하다. 이러한 문제로 인해 깊이를 학습하는데 문제가 있어 많은 정보를 열화상 이미 지에 담고 대비를 개선하는 열화상용 3채널 재매핑 방법을 제안한다. 이 방법을 사용하여 학습 기반 깊이 예측 모델이 저조도 조건에서도 정확한 깊이 예측을 할 수 있도록 하였다. 타당성을 검증하고 3채널 재매핑 방법이 SThReo 데이터 셋에서 다른 모델들에 비해 시각적으로나 정량적으로 더 나은 것을 보여준다.
