RobustSpring：面向光流、场景流与立体视觉的图像损坏鲁棒性基准测试
计算机视觉与模式识别
2026-04-14 v2 机器学习
摘要
光流、场景流和立体视觉算法的标准基准测试通常侧重于模型准确性，而非对噪声或雨等图像损坏的鲁棒性。因此，模型对此类真实世界扰动的恢复力在很大程度上尚未被量化。为了解决这一问题，我们提出了 RobustSpring，这是一个用于评估光流、场景流和立体视觉模型对图像损坏鲁棒性的综合数据集与基准测试。RobustSpring 以时间、立体的和深度一致的方式，对高分辨率 Spring 数据集应用了 20 种不同的图像损坏（包括噪声、模糊、颜色变化、质量退化和天气失真），创建了一套反映挑战性条件的 20,000 张损坏图像。RobustSpring 通过一种新的损坏鲁棒性指标实现了模型鲁棒性的比较。与 Spring 基准测试的集成实现了准确性和鲁棒性的双轴评估。我们对精选的初始模型进行了基准测试，观察到鲁棒性因损坏类型而异，并实验证明在 RobustSpring 上的评估表明了真实世界的鲁棒性。RobustSpring 是一个将鲁棒性视为一等公民的全新计算机视觉基准，旨在促进准确且具有弹性的模型。可在 https://spring-benchmark.org 获取。
引用
@article{arxiv.2505.09368,
title = {RobustSpring: Benchmarking Robustness to Image Corruptions for Optical Flow, Scene Flow and Stereo},
author = {Victor Oei and Jenny Schmalfuss and Lukas Mehl and Madlen Bartsch and Shashank Agnihotri and Margret Keuper and Andreas Bulling and Andrés Bruhn},
journal= {arXiv preprint arXiv:2505.09368},
year = {2026}
}