基于能量的测试时适应深度完成方法
计算机视觉与模式识别
2025-08-21 v2 人工智能
机器学习
摘要
我们提出了一种用于测试时适应预训练深度完成模型的方法。深度完成模型在训练于某些“源”数据后，常在迁移至“目标”数据（即在新环境条件下捕获）时预测出错，由于协变量漂移。我们方法的核心在于量化深度预测值属于源数据分布的可能性。挑战在于在部署前缺乏对目标分布的访问。因此，我们不对目标分布作出假设，而是利用对抗性扰动作为探索数据空间的机制。这使我们能够训练一个能量模型，对深度预测的局部区域作为内部或外部分布进行评分。我们通过最小化能量来更新预训练深度完成模型的参数，有效地将测试时预测对齐到源分布。我们将该方法称为“能量基于测试时适应”，或简称为 ETA。我们在三个室内和三个户外数据集上评估了该方法，ETA 相对于前一最先进方法在户外平均提高 6.94%，在室内平均提高 10.23%。项目页面：https://fuzzythecat.github.io/eta。
引用
@article{arxiv.2508.05989,
title = {ETA: Energy-based Test-time Adaptation for Depth Completion},
author = {Younjoon Chung and Hyoungseob Park and Patrick Rim and Xiaoran Zhang and Jihe He and Ziyao Zeng and Safa Cicek and Byung-Woo Hong and James S. Duncan and Alex Wong},
journal= {arXiv preprint arXiv:2508.05989},
year = {2025}
}