DepthDark：低光环境下稳健的单目深度估计
计算机视觉与模式识别
2025-07-25 v1 人工智能
摘要
近年来，针对单目深度估计的基础模型受到越来越多关注。当前方法主要解决典型日间条件问题，但在低光环境下效果显著下降。缺乏为低光场景专门设计的稳健基础模型。这主要源于缺乏大规模高质量的低光配对深度数据集以及有效的参数高效微调（PEFT）策略。为此，我们提出DepthDark，一个针对低光单目深度估计的稳健基础模型。我们首先引入flare模拟模块和噪声模拟模块，准确模拟夜间条件下的成像过程，生成高质量的低光配对深度数据集。此外，我们提出一种有效的低光PEFT策略，利用照明引导和多尺度特征融合，增强模型在低光环境中的能力。我们的方法在挑战性的nuScenes-Night和RobotCar-Night数据集上实现了最先进的深度估计性能，验证了在有限训练数据和计算资源下的有效性。
引用
@article{arxiv.2507.18243,
title = {DepthDark: Robust Monocular Depth Estimation for Low-Light Environments},
author = {Longjian Zeng and Zunjie Zhu and Rongfeng Lu and Ming Lu and Bolun Zheng and Chenggang Yan and Anke Xue},
journal= {arXiv preprint arXiv:2507.18243},
year = {2025}
}
备注
Accepted by ACM MM 2025 conference