UnCLe: 深度补全的无监督持续学习基准
计算机视觉与模式识别
2025-06-11 v4 机器学习
摘要
我们提出了UnCLe，这是第一个用于多模态3D重建任务的无监督持续学习的标准化基准：深度补全旨在从一对同步的RGB图像和稀疏深度图中推断出密集的深度图。我们在连续数据流上进行无监督学习的实际场景下对深度补全模型进行基准测试。虽然深度的无监督学习具有随时间持续学习新数据分布的可能性，但现有方法通常在静态或平稳数据集上训练。然而，当适应新的非平稳分布时，它们会“灾难性地遗忘”先前学习的信息。UnCLe通过使深度补全模型适应包含来自不同领域、使用不同视觉和距离传感器捕获的多样化场景的数据集序列，来模拟这些非平稳分布。我们采用了持续学习范式中的代表性方法，并将其转化以实现深度补全的无监督持续学习。我们在室内和室外环境中对这些模型进行基准测试，并通过标准定量指标研究灾难性遗忘的程度。我们发现深度补全的无监督持续学习是一个开放性问题，我们邀请研究人员利用UnCLe作为开发平台。
引用
@article{arxiv.2410.18074,
title = {UnCLe: Benchmarking Unsupervised Continual Learning for Depth Completion},
author = {Xien Chen and Rit Gangopadhyay and Michael Chu and Patrick Rim and Hyoungseob Park and Alex Wong},
journal= {arXiv preprint arXiv:2410.18074},
year = {2025}
}
备注
Preprint