基于自演化对比的深度学习：面向鲁棒深度估计的 Past Self 学习
计算机视觉与模式识别
2025-11-20 v1 人工智能
摘要
自监督深度估计近年来在自动驾驶和机器人领域受到广泛关注。然而，现有方法在雨雾等恶劣天气条件下表现显著下降，因为视野受限严重影响深度预测。为此，我们提出一种新型自演化对比学习框架，称为 SEC-Depth，用于自监督鲁棒深度估计任务。我们的方法利用训练期间生成的中间参数构建时延模型，以捕捉训练阶段的优化状态。使用这些模型，我们设计了自演化对比方案以缓解恶劣条件下的性能损失。具体而言，我们首先设计了深度估计任务的动态延迟模型更新策略，以捕捉训练阶段的优化状态。为充分利用延迟模型，我们引入自演化对比损失（SECL），将历史延迟模型的输出视为负样本。这种机制在隐式感知天气降解程度的同时，自适应调整学习目标，从而减少对人工干预的需求。实验表明，我们的方法可以无缝集成到多样化的基线模型中，并在零样本评估中显著提升鲁棒性。
引用
@article{arxiv.2511.15167,
title = {Learning Depth from Past Selves: Self-Evolution Contrast for Robust Depth Estimation},
author = {Jing Cao and Kui Jiang and Shenyi Li and Xiaocheng Feng and Yong Huang},
journal= {arXiv preprint arXiv:2511.15167},
year = {2025}
}