自适应双不确定性优化：在测试时偏移下提升单目3D目标检测性能
计算机视觉与模式识别
2025-08-29 v1
摘要
准确的单目3D目标检测（M3OD）是自动驾驶等安全关键应用的关键技术，但在由环境或传感器变化引起的真实世界域迁移下，其可靠性会显著下降。为解决此问题，出现了测试时适应（Test-Time Adaptation, TTA）方法，使模型能在推理期间适应目标分布。虽然先前的TTA方法认识到低不确定性与高泛化能力之间的正相关，但未能解决M3OD中固有的双重不确定性：语义不确定性（模糊的类别预测）和几何不确定性（不稳定的空间定位）。为弥合这一差距，我们提出了双不确定性优化（Dual Uncertainty Optimization, DUO），这是一种首次针对稳健M3OD设计的TTA框架。通过凸优化视角，我们引入了焦点损失的创新凸结构，并进一步推导出无监督版本，实现标签无关的不确定性加权和高不确定性对象的均衡学习。同时，我们设计了语义感知正规场约束，以保留在语义线索明确区域的几何一致性，减少不稳定3D表示的不确定性。这种双分支机制形成互补的循环：增强的空间感知改进了语义分类，稳健的语义预测进一步细化了空间理解。大量实验表明，DUO在各种数据集和域迁移类型下均优于现有方法。
引用
@article{arxiv.2508.20488,
title = {Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts},
author = {Zixuan Hu and Dongxiao Li and Xinzhu Ma and Shixiang Tang and Xiaotong Li and Wenhan Yang and Ling-Yu Duan},
journal= {arXiv preprint arXiv:2508.20488},
year = {2025}
}
备注
Accepted by ICCV 2025 (Highlight)