课程域对齐模型

雾雨天深度估计仍准

通过渐进式域分布对齐，使单目深度估计模型在恶劣天气下保持性能，无需重新训练。

Jiehua, Zhang · 李亮 · 颜成钢 · Ke, Wei · 龚怡宏

IEEE Transactions on Circuits and Systems for Video Technology 2024

参数信息

FoggyCityScapes 上 RMSE 提升

8.5 %

RainCityScapes 上 RMSE 提升

30.5 %

SnowCityscapes 上 RMSE 提升

30.9 %

All-day Cityscapes 上 RMSE 提升

20.9 %

技术优势

雾天不死机

通过光学模型将目标域按域差异递增分成子集，从易到难对齐分布，模型在雾天数据上 RMSE 提升 8.5%。

雨天也不糊

匹配源域与目标域表示子空间来弥合分布差异，在 RainCityScapes 上 RMSE 提升 30.5%，大幅减少雨纹干扰。

雪天不白屏

同样的域对齐策略在 SnowCityscapes 上实现 30.9% 的 RMSE 提升，证明方法对冰雪遮挡场景有效。

全天候通用

在包含夜间等光照剧烈变化的 All-day Cityscapes 上 RMSE 提升 20.9%，适应全天候光照条件。

应用场景

• 自动驾驶：消除雾雨雪天气下深度估计漂移，提升自动驾驶感知可靠性。
• 无人机导航：在恶劣天气下保持精确深度感测，使无人机在低能见度环境中安全飞行。
• 遥感测绘：无需重新训练即可跨天气条件对齐，提升遥感影像深度反演的一致性。