Always Clear Depth: 应对恶劣天气下的鲁棒单目深度估计
计算机视觉与模式识别
2025-05-20 v1 人工智能
摘要
单目深度估计是自动驾驶和场景重建等应用的关键技术。虽然现有方法在正常场景下表现良好，但在恶劣天气下性能会下降，这源于严峻的领域迁移以及难以从场景中提取信息。为此，我们提出了一种鲁棒的单目深度估计方法，称为 ACDepth，侧重于高质量训练数据的生成和领域适应。具体而言，我们引入一种一步扩散模型，用于生成模拟恶劣天气条件的样本，在训练期间构建多元组降解数据集。为确保生成的降解样本质量，我们采用 LoRA adapter 对扩散模型的生成权重进行微调。此外，我们集成了圆形一致性损失和对抗训练，以保证场景内容的忠实性和自然性。进一步，我们提出了多层次知识蒸馏策略（MKD），鼓励学生网络从教师模型和预训练的 Depth Anything V2 那里吸收知识。该策略引导学生模型从各种降解输入中学习降解无关的场景信息。在此基础上，我们引入了序数引导蒸馏机制（OGD），鼓励网络通过差异化排序聚焦于不确定区域，从而实现更精确的深度估计。实验结果表明，在 nuScenes 数据集上，ACDepth 在夜间场景和雨天场景的 absRel 指标分别比 md4all-DD 提升了 2.50% 和 2.61%。
引用
@article{arxiv.2505.12199,
title = {Always Clear Depth: Robust Monocular Depth Estimation under Adverse Weather},
author = {Kui Jiang and Jing Cao and Zhaocheng Yu and Junjun Jiang and Jingchun Zhou},
journal= {arXiv preprint arXiv:2505.12199},
year = {2025}
}