DASP：基于时空先验域适应的自监督夜间单目深度估计
计算机视觉与模式识别
2025-12-17 v1
摘要
自监督单目深度估计在白天条件下取得显著进展，但在夜间因视野不足和光照变化而性能显著下降，例如不足的光线导致纹理缺失区域，移动物体引起模糊区域。为此，我们提出一种名为 DASP 的自监督框架，利用时空先验进行夜间深度估计。具体而言，DASP 包含用于提取时空先验的对抗分支和用于学习的自监督分支。在对抗分支中，我们首先设计了一个对抗网络，其中判别器由四个设计的时空先验学习块（SPLB）组成，以利用白天先验。特别地，SPLB 包含一个基于空间的时序学习模块（STLM），使用正交差分提取沿时间轴与运动相关的变化，以及一个轴向空间学习模块（ASLM），采用局部非对称卷积结合全局轴向注意力以捕获多尺度结构信息。通过组合 STLM 与 ASLM，模型可获取充分的时空特征，以恢复纹理缺失区域并估计因动态物体引起的模糊区域。在自监督分支中，我们提出一种 3D 一致性投影损失，将目标帧和源帧双向投影到共享 3D 空间中，并计算两投影帧之间的 3D 差异作为损失，以优化 3D 结构一致性和白天先验。在 Oxford RobotCar 和 nuScenes 数据集上的大量实验表明，我们的方法在夜间深度估计方面实现了最先进的性能。消融研究进一步验证了每个组件的有效性。
引用
@article{arxiv.2512.14536,
title = {DASP: Self-supervised Nighttime Monocular Depth Estimation with Domain Adaptation of Spatiotemporal Priors},
author = {Yiheng Huang and Junhong Chen and Anqi Ning and Zhanhong Liang and Nick Michiels and Luc Claesen and Wenyin Liu},
journal= {arXiv preprint arXiv:2512.14536},
year = {2025}
}
备注
8 pages, 7 figures