基于互助提升的马尔斯深度估计：小波增强双模态数据
计算机视觉与模式识别
2025-06-17 v2 机器人学
摘要
深度估计在未来的火星探测任务中对于障碍规避和导航具有巨大的潜在作用。传统立体匹配与学习型立体深度估计相比，后者提供了一种数据驱动的方法，从立体图像对推断稠密且精确的深度图。然而，这些方法在稀疏纹理和缺乏几何约束的环境中（如火星非结构化地形）会出现性能下降。为此，我们提出M3Depth，专为火星机车设计的深度估计模型。考虑到马尔斯地形纹理稀疏且平滑，主要由低频特征构成，我们的模型包含基于小波变换的卷积核，有效捕捉低频响应并扩大感受野。此外，我们引入一致性损失，显式建模深度图与法线图之间的互补关系，利用法线作为几何约束来增强深度估计的准确性。此外，我们设计了一个具有互助机制的像素级细化模块，用于迭代细化深度和法线预测。在带有深度标注的合成火星数据集上的实验结果表明，M3Depth在深度估计准确性上比其他状态方法提高了16%。该模型在现实火星场景中表现出强大的适用性，为未来的火星探测任务提供了有前景的解决方案。
引用
@article{arxiv.2505.14159,
title = {M3Depth: Wavelet-Enhanced Depth Estimation on Mars via Mutual Boosting of Dual-Modal Data},
author = {Junjie Li and Jiawei Wang and Miyu Li and Yu Liu and Yumei Wang and Haitao Xu},
journal= {arXiv preprint arXiv:2505.14159},
year = {2025}
}