Oct, 2022

自监督单目深度估计：解决边缘膨胀问题

PDF
TL;DR本论文通过重新设计面向自监督单目深度估计（MDE）模型的基于贴片的三元组损失以减轻普遍存在的边缘膨胀问题，并利用两种新策略，分别基于所有负样本进行 min. 操作和在原始三元组中将锚点 - 正样本距离和锚点 - 负样本距离分离，取得了前所未有的成果，使本模型在性能方面大幅优于所有之前的 SOTA，同时也为大量现有模型带来了实质性的性能提升，而且不需额外的推理计算。
发现论文，激发创造
  • 自监督对抗训练单目深度估计抵抗现实世界攻击

    我们提出了一种新颖的自监督对抗训练方法，通过利用视图合成以增强单眼深度估计模型对真实世界攻击的对抗鲁棒性，而无需真实深度的地面真值。我们的方法在两个代表性的单眼深度估计网络上进行实验证明，相比于特别设计用于单眼深度估计的监督学习和对比学习方法，具有更好的鲁棒性，对良性性能影响最小。

    Jun, 2024

  • 自监督单目深度估计的对抗训练：抵抗物理攻击

    该论文提出了一种基于视图合成的新型对抗训练方法，用于针对无实际深度信息的自监督 MDE 模型，通过 L0 范数约束来提高对物理世界攻击的鲁棒性，并通过与基于监督学习和对比性学习方法的比较，证明我们的方法可以在几乎不降低良性性能的情况下实现更好的鲁棒性。

    Jan, 2023

  • 自适应频率自监督单目深度估计

    提出了两种通用方法来增强自监督单目深度估计模型的普适性，分别是模糊边界和自适应高斯滤波器。实验证明这两个模块能为现有模型带来性能提升而不增加额外计算量。

    Oct, 2022

  • 第二届单目深度估计挑战赛

    本论文介绍了第二届单目深度估计挑战赛（MDEC）的结果。该挑战赛对使用任何形式的监督方法开放，包括全监督、自监督、多任务或代理深度。挑战赛是基于 SYNS-Patches 数据集进行的，该数据集包括高质量密集地面真实度的广泛环境。结果表明，本次挑战赛的提交结果均超过了提供的 SotA 基线，并取得了显着进展，同时强调了未来研究的方向。

    Apr, 2023

  • SAAM：对单目深度估计的隐蔽对抗攻击

    我们研究了 MDE 系统对恶意补丁的脆弱性，提出了一种新颖的对 MDE 系统的隐蔽性恶意攻击方法（SAAM），通过破坏估计的距离或让物体与周围环境融为一体来损害 MDE 系统。我们的实验证明，设计的隐蔽补丁成功导致基于深度学习神经网络的 MDE 系统对物体深度估计出现显著的 60% 误差，在受影响区域的比例达到 99%。而且，尽管是恶意攻击，补丁的外观自然，对人类观察者来说不易察觉。我们认为这项工作揭示了 MDE 系统在边缘设备上面临的恶意攻击威胁。希望引起社区的关注，意识到此类攻击可能造成的实际危害，并鼓励进一步研究以开发更强大和自适应的防御机制。

    Aug, 2023

  • 分离和增强：用于尺度不变自监督单目深度估计的双引擎

    本研究提出了一种自监督的单目深度估计方法，通过剥离具有尺度敏感性的特征和采取仿真相机缩放的数据增强方法来提高尺度不变性，并使用动态跨尺度交叉注意力模块进一步加强尺度不变特征，在 KITTI 数据集上取得了目前最佳性能。

    Oct, 2022

  • 单目深度估计的物理攻击与最优对抗贴片

    本文提出了一种基于优化的物体定向对抗攻击方法，针对深度学习驱动的单目深度估计系统，通过敏感区域本地化、自然样式伪装等技术生成隐蔽、有效和稳健的对抗补丁，并在实际驾驶场景中进行了评估，结果表明该攻击方法能够在多个目标物体和模型上达到超过 6 米的平均深度估计误差和 93％以上的攻击成功率。

    Jul, 2022

  • 边缘处藏魔鬼：具有边缘感知一致性融合的单目深度估计

    本文提出了名为 ECFNet 的新型单目深度估计方法，通过单个 RGB 图像准确预测高质量的单目深度，应用了图像边缘信息和深度一致性模块来融合不同来源的初始深度，实现了领先的性能。

    Mar, 2024

  • 自主驾驶中对单目深度估计的物理三维对抗攻击

    基于深度学习的单目深度估计 (MDE) 在自动驾驶中广泛应用，但容易受到对抗攻击。我们提出了第一个基于三维纹理的对抗攻击方法 3D$^2$Fool 来克服现有攻击方法的局限性，并在各种场景下取得了卓越性能的实验验证。

    Mar, 2024

  • 第三届单目深度估计挑战

    本研究讨论了第三届单目深度估计挑战赛（MDEC）的结果，重点关注挑战赛对具有复杂自然和室内场景的 SYNS-Patches 数据集的零样本泛化。挑战赛接收了总共 19 份提交报告，其中有 10 份报告详细描述了他们的方法，突出了在方法核心使用了 Depth Anything 等基础模型的广泛应用。挑战赛获胜者将 3D F-Score 性能从 17.51％显著提高到 23.72％。

    Apr, 2024