DispBench：用于评估不平衡视差估计的合成腐蚀基准
计算机视觉与模式识别
2025-05-09 v1 机器学习
摘要
深度学习（DL）已超越人类在标准基准测试上的表现，推动了其在计算机视觉任务中的广泛采用。其中一种任务是视差估计，即估计立体图像对中匹配像素之间的视差，这对于医疗手术和自动驾驶等安全关键应用至关重要。然而，基于深度学习的视差估计方法对分布偏移和对抗性攻击高度敏感，这引发了其可靠性和泛化性的广泛关注。尽管存在这些担忧，但目前尚无用于评估视差估计方法可靠性的标准化基准，这阻碍了该领域的进步。为填补这一空白，我们引入了 DispBench，一个用于系统性评估视差估计方法可靠性的综合性基准工具。DispBench 评估了针对合成图像腐蚀（包括对抗性攻击和由 2D 常见腐蚀引起的分布外偏移）的鲁棒性，涵盖多个数据集和多样化的腐蚀情景。我们进行了迄今为止最为详尽的视差估计方法的性能和鲁棒性分析，揭示了准确性、可靠性和泛化性之间的关键关联。DispBench 的开源代码：https://github.com/shashankskagnihotri/benchmarking_robustness/tree/disparity_estimation/final/disparity_estimation
引用
@article{arxiv.2505.05091,
title = {DispBench: Benchmarking Disparity Estimation to Synthetic Corruptions},
author = {Shashank Agnihotri and Amaan Ansari and Annika Dackermann and Fabian Rösch and Margret Keuper},
journal= {arXiv preprint arXiv:2505.05091},
year = {2025}
}
备注
Accepted at CVPR 2025 Workshop on Synthetic Data for Computer Vision