PointFix：学习修正域偏差以实现鲁棒的在线立体适配
计算机视觉与模式识别
2025-08-27 v2 机器学习
摘要
在线立体适配解决了由合成（训练）与真实（测试）数据集之间不同环境引起的域偏移问题，以在自动驾驶等动态真实世界应用中快速适配立体模型。然而，先前的方法常无法抵消与具有更严重环境变化的动态物体相关的特定区域。为缓解该问题，我们提出将一个辅助的点选择网络纳入元学习框架，称为PointFix，以为在线立体适配提供立体模型的鲁棒初始化。简而言之，我们的辅助网络通过学习有效地通过元梯度反向传播局部信息来密集修正局部变异，从而实现基线模型的鲁棒初始化。该网络与模型无关，因此可以以即插即用的方式用于任何架构。我们进行了大量实验，在短期、中期和长期序列三种适配设置下验证方法的有效性。实验结果表明，通过辅助网络对基础立体模型进行恰当初始化，使我们的学习范式在推理时达到当前最优性能。
引用
@article{arxiv.2207.13340,
title = {PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation},
author = {Kwonyoung Kim and Jungin Park and Jiyoung Lee and Dongbo Min and Kwanghoon Sohn},
journal= {arXiv preprint arXiv:2207.13340},
year = {2025}
}
备注
Accepted to ECCV 2022