ProtoDepth：基于原型的无监督持续深度完成
计算机视觉与模式识别
2025-03-18 v1
摘要
我们提出ProtoDepth，这是一种基于原型的方法，用于无监督深度完成的持续学习。深度完成是一种多模态3D重建任务，旨在从RGB图像和稀疏点云预测密集深度图。无监督学习范式非常适合持续学习，因为不需要真实标签。然而，在针对新的非平稳分布进行训练时，深度完成模型会对以前学习的信息产生灾难性遗忘。我们通过学习原型集来适应冻结预训练模型的潜在特征，以解决遗忘问题。由于原始权重未被修改，ProtoDepth在测试时间域身份已知时不会遗忘。为扩展到测试时间域身份未知的困难场景，我们提出学习域描述符，以启用模型为推断选择 appropriate 的原型集。我们在基准数据集序列上评估了ProtoDepth，通过基线方法实现了室内遗忘率降低52.2%，户外遗忘率降低53.2%，达到最先进水平。
引用
@article{arxiv.2503.12745,
title = {ProtoDepth: Unsupervised Continual Depth Completion with Prototypes},
author = {Patrick Rim and Hyoungseob Park and S. Gangopadhyay and Ziyao Zeng and Younjoon Chung and Alex Wong},
journal= {arXiv preprint arXiv:2503.12745},
year = {2025}
}
备注
Accepted to CVPR 2025