CoopDiff：基于扩散的方法用于受损情况下的合作
计算机视觉与模式识别
2026-03-03 v1
摘要
合作感知让代理人共享信息以扩大覆盖范围并改进场景理解。然而，在现实场景中，多样化且不可预测的损坏削弱了其鲁棒性和泛化能力。为应对这些挑战，我们引入CoopDiff，这是一种基于扩散的合作感知框架，通过去噪机制缓解损坏。CoopDiff采用教师-学生范式：质量感知教师进行体素级别的早期融合，采用感兴趣质量加权和语义指导，然后通过扩散去噪器产生干净的监督特征。双分支扩散学生首先在编码中分离自我和合作流，以重建教师的干净目标。随后，一种以 ego 为导向的交叉注意力机制通过自适应整合自我和合作特征来促进在退化情况下的平衡解码。我们在两个构建的多退化基准（OPV2Vn和DAIR-V2Xn）上评估CoopDiff，每个基准包含六种损坏类型，包括环境和传感器层面的扭曲。凭借扩散的内在去噪特性，CoopDiff在所有退化类型上持续优于先前方法，降低了相对损坏误差。此外，它提供了精度与推理效率之间的可调平衡。
引用
@article{arxiv.2603.01688,
title = {CoopDiff: A Diffusion-Guided Approach for Cooperation under Corruptions},
author = {Gong Chen and Chaokun Zhang and Pengcheng Lv},
journal= {arXiv preprint arXiv:2603.01688},
year = {2026}
}
备注
Accepted by CVPR26