面向深度立体视觉的鲁棒、实例感知的持续测试时适应框架RobIA
计算机视觉与模式识别
2025-11-14 v1
摘要
现实环境下的立体深度估计面临动态域迁移、稀疏或不可靠监督以及获取稠密真实标签的高成本挑战。虽然最近的测试时适应（TTA）方法提供了有前景的解决方案，但大多数依赖于静态目标域假设和与输入无关的适应策略，在持续迁移下效果受限。本文提出了一种 novel 的鲁棒、实例感知的持续测试时适应（CTTA）框架RobIA，用于立体深度估计。RobIA集成了两个关键组件：（1）Attend-and-Excite Mixture-of-Experts（AttEx-MoE），一个针对eyepipolar几何的轻量级自注意力机制，用于动态路由到冻结专家的参数高效模块；（2）Robust AdaptBN Teacher，一个基于PEFT的教师模型，通过补充稀疏手工标签提供稠密伪监督。该策略实现了输入特定的灵活性、广泛的监督覆盖，提高了域迁移下的泛化能力。大量实验表明，RobIA在动态目标域上实现了卓越的适应性能，同时保持计算效率。
引用
@article{arxiv.2511.10107,
title = {RobIA: Robust Instance-aware Continual Test-time Adaptation for Deep Stereo},
author = {Jueun Ko and Hyewon Park and Hyesong Choi and Dongbo Min},
journal= {arXiv preprint arXiv:2511.10107},
year = {2025}
}
备注
Accepted by Neural Information Processing Systems (NeurIPS) 2025