融合CNN与Transformer的自监督单目深度估计系统及方法

本发明涉及计算机视觉技术领域，具体公开了一种融合CNN与Transformer的自监督单目深度估计系统及方法。该系统通过多尺度特征融合机制强化局部表征，构建跨区域注意力网络实现全局上下文关联，实现复杂场景细微结构的精细还原。首先基于DCB，采用多层扩张卷积来扩展感受野并融合多尺度像素特征，增强关键区域的局部细节；其次利用ELGF的并行局部卷积捕捉图像细粒度局部信息，同时使用自注意力机制获取长距离依赖，实现局部信息与全局依赖的协同建模，显著增强特征表达能力；最后通过基于预训练的ResNet18的轻量级编码器估计相邻图像间的相对位姿，构建重投影损失以优化深度预测。实验表明，本发明构建的模型在AbsRel和RMSE指标上分别达到0.102和4.430，显著优于现有主流方法。