AURORA-KITTI：野外多天气深度完成与去噪
计算机视觉与模式识别
2026-03-17 v1
摘要
鲁棒深度完成是实现真实世界 3D 场景理解的关键基石，但现有 RGB-LiDAR 融合方法在恶劣天气下性能显著下降，此时相机图像和 LiDAR 测量均受天气引起的噪声影响。本文引入 AURORA-KITTI，首个针对野外深度完成鲁棒性的大规模多模态、多天气基准数据集。我们进一步将深度完成与去噪（DCD）形式化为统一任务，联合从受天气干扰的稀疏输入中重建稠密深度图，同时抑制天气引起的噪声。AURORA-KITTI 包含超过 8.2 万组天气一致的 RGB-LiDAR 对，覆盖多种天气类型、三个严重程度、日夜场景、配对干净参考、镜头遮挡条件以及文本描述。此外，我们引入 DDCD，一种高效基于蒸馏的基准方法，利用深度基础模型注入干净结构先验以提升野外 DCD 训练的鲁棒性。DDCD 在 AURORA-KITTI 和真实世界 DENSE 数据集上实现最先进性能，同时保持高效。值得注意的是，我们的结果表明，天气感知、物理一致的数据对鲁棒性的贡献大于仅靠架构修改。数据和代码将在发表后公开。
引用
@article{arxiv.2603.14701,
title = {AURORA-KITTI: Any-Weather Depth Completion and Denoising in the Wild},
author = {Yiting Wang and Tim Brödermann and Hamed Haghighi and Haonan Zhao and Christos Sakaridis and Kurt Debattista and Valentina Donzella},
journal= {arXiv preprint arXiv:2603.14701},
year = {2026}
}