RoboDepth：扰动下鲁棒的分布外深度估计
计算机视觉与模式识别
2023-10-24 v1 机器人学
摘要
单目图像深度估计对真实世界视觉感知系统至关重要。当前基于学习的深度估计模型在精心整理的数据上训练与测试，常忽视分布外 (OoD) 情形。然而在实际场景中——尤其是自动驾驶等安全关键领域——常见扰动不可避免。针对此疏忽，我们引入一套全面的鲁棒性测试套件 RoboDepth，涵盖三类共 18 种扰动：i) 天气与光照条件；ii) 传感器故障与运动；iii) 数据处理异常。随后我们在室内与室外场景中基准测试了 42 个深度估计模型，以评估其对上述扰动的抵御能力。结果表明，在缺乏专用鲁棒性评估框架时，许多领先深度估计模型易受影响典型扰动。我们深入探讨构建更鲁棒深度估计模型的设计考量，涉及预训练、增强、模态、模型容量与学习范式。期望本基准为推进鲁棒 OoD 深度估计建立基础平台。
引用
@article{arxiv.2310.15171,
title = {RoboDepth: Robust Out-of-Distribution Depth Estimation under Corruptions},
author = {Lingdong Kong and Shaoyuan Xie and Hanjiang Hu and Lai Xing Ng and Benoit R. Cottereau and Wei Tsang Ooi},
journal= {arXiv preprint arXiv:2310.15171},
year = {2023}
}
备注
NeurIPS 2023; 45 pages, 25 figures, 13 tables; Code at https://github.com/ldkong1205/RoboDepth