选择，而非融合：用于雷达-相机深度估计的雷达调制状态空间模型

雷达-相机深度估计必须将超稀疏、全天候、度量的雷达信号转换为密集的逐像素深度图。现有方法——拼接、置信度感知门控、稀疏监督、基于图的提取——在骨干网络的序列算子之外结合雷达和图像特征，甚至跨模态 Mamba 变体也使得选择机制本身保持单模态。我们认为选择机制是雷达介入的正确位置。我们引入了雷达调制选择（RMS），这是一种将雷达注入 Mamba 选择性扫描的最小且原则性的方法：雷达从内部调制扫描，向步长 $\Delta$ 和读出 $\mathbf{C}$ 添加零初始化的扰动，同时保持输入投影 $\mathbf{B}$ 和状态动态 $\mathbf{A}$ 仅来自图像。该构造在初始化时完全等价于预训练的纯图像 Mamba，确保雷达仅在提高精度的地方影响模型。由此产生了扫描外融合无法提供的两个进一步特性：每个循环步骤的线性成本跨模态耦合，以及当雷达缺失时自然回退到纯图像骨干网络。我们将 RMS 部署在一个多视图扫描金字塔（MVSP）中，该金字塔在每个尺度上将融合算子与雷达的空间覆盖范围相匹配。SemoDepth 在 nuScenes 上实现了最先进的性能，在 0-50、0-70 和 0-80 米范围内，MAE 分别比之前的最佳结果降低了 34.0%、29.9% 和 29.9%，同时实现了最低的单帧延迟（26.8 毫秒）。进一步的消融研究表明，扫描外特征混合在 RMS 之上没有增加任何精度，这为扫描内选择可以替代扫描外融合提供了实证验证。