基于置信感知蒸馏的单目热力学深度估计
计算机视觉与模式识别
2025-04-24 v1 机器人学
摘要
单目深度估计（MDE）从热力学图像是机器人系统在雾、烟和低光等恶劣条件下运行的关键技术。热力学 MDE 模型的可用标注热力学数据有限，这限制了其在与基础 RGB MDE 模型（后者受益于数百万图像的数据集覆盖多样化场景）相比的泛化能力。为解决这一挑战，我们引入一种新颖的管道，通过从通用 RGB MDE 模型进行知识蒸馏来增强热力学 MDE。我们的方法特色是利用 RGB MDE 预测的置信水平进行选择性强化热力学 MDE 模型，充分利用 RGB 模型的优势同时缓解其弱点。我们的方法在不依赖标注深度监督的情况下显著提高了热力学 MDE 的准确度，并大大扩展了其在新场景中的适用性。在没有标注深度的新场景实验中，提出的置信感知蒸馈方法相对于无蒸馏基线降低了热力学 MDE 的绝对相对误差22.88%。
引用
@article{arxiv.2504.16127,
title = {MonoTher-Depth: Enhancing Thermal Depth Estimation via Confidence-Aware Distillation},
author = {Xingxing Zuo and Nikhil Ranganathan and Connor Lee and Georgia Gkioxari and Soon-Jo Chung},
journal= {arXiv preprint arXiv:2504.16127},
year = {2025}
}
备注
8 Pages; The code will be available at https://github.com/ZuoJiaxing/monother_depth