WeatherDepth：面向恶劣天气下自监督深度估计的课程对比学习

深度估计模型在清晰场景上展现出良好性能，但因光照变化、天气颗粒等难以泛化至恶劣天气条件。本文中，我们提出 WeatherDepth，一种具有课程对比学习的自监督鲁棒深度估计模型，以应对复杂天气条件下的性能退化。具体地，我们首先提出一种渐进式课程学习方案，包含三个由简到难的课程，使模型从清晰场景逐步适应至相对恶劣，再到恶劣天气场景。它鼓励模型逐步掌握抵御天气影响的有益深度线索，实现更平滑且更好的域适应。同时，为防止模型遗忘先前课程，我们将对比学习整合进不同课程中。通过从先前课程汲取参考知识，我们的策略在不同课程间建立深度一致性约束，以实现多样天气下的鲁棒深度估计。此外，为减少人工干预并更好适配不同模型，我们设计了自适应课程调度器以自动搜索最佳课程切换时机。实验中，所提方案被证明易集成至多种架构，并在合成与真实天气数据集上展现出最先进的（SoTA）性能。源代码与数据见 \url{https://github.com/wangjiyuan9/WeatherDepth}。