Calib3D：校准模型偏好以实现可靠的 3D 场景理解
计算机视觉与模式识别
2025-03-04 v3 机器学习
机器人学
摘要
安全关键的 3D 场景理解任务不仅需要 3D 感知模型提供准确的预测，还需要其提供自信的预测。本研究引入了 Calib3D，这是从不确定性估计角度对 3D 场景理解模型的可靠性进行基准测试和审查的开创性工作。我们在 10 个不同的 3D 数据集上全面评估了 28 个 SOTA 模型，揭示了与 3D 场景理解中的偶然不确定性和认知不确定性相关的深刻现象。我们发现，尽管现有模型达到了令人瞩目的准确度水平，但它们经常无法提供可靠的不确定性估计——这一缺陷严重削弱了它们在安全敏感场景中的适用性。通过对网络容量、LiDAR 表示、光栅化分辨率和 3D 数据增强技术等关键因素进行广泛分析，我们将这些方面与模型校准效能直接关联起来。此外，我们引入了 DeptS，一种新颖的深度感知缩放方法，旨在增强 3D 模型校准。在广泛配置下的大量实验验证了我们方法的优越性。我们希望这项工作能成为促进可靠 3D 场景理解的基石。代码和基准工具包已公开。
引用
@article{arxiv.2403.17010,
title = {Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding},
author = {Lingdong Kong and Xiang Xu and Jun Cen and Wenwei Zhang and Liang Pan and Kai Chen and Ziwei Liu},
journal= {arXiv preprint arXiv:2403.17010},
year = {2025}
}
备注
WACV 2025 Oral; 26 pages, 8 figures, 12 tables; Code at https://github.com/ldkong1205/Calib3D