Oct, 2023
WeatherDepth：面向恶劣天气条件下的自监督深度估计的课程对比学习
WeatherDepth: Curriculum Contrastive Learning for Self-Supervised Depth Estimation under Adverse Weather Conditions
Jiyuan Wang, Chunyu Lin, Lang Nie, Shujun Huang, Yao Zhao...
TL;DR我们提出了 WeatherDepth，这是一个自监督的鲁棒深度估计模型，使用课程对比学习来应对复杂天气条件下性能下降的问题。通过逐步从晴朗到恶劣天气场景的简单到复杂的课程调整，鼓励模型逐渐掌握抵抗天气影响的有益深度线索，从而实现更平滑和更好的域适应。同时，我们在不同课程中引入对比学习，以防止模型遗忘先前的课程，并在不同课程之间建立深度一致性约束，从而实现对多样天气条件下鲁棒深度估计的目标。此外，为了减少人工干预并更好地适应不同模型，我们设计了一个自适应课程调度器，自动搜索最佳的课程切换时机。在实验中，我们的解决方案被证明可以轻松应用于各种架构，并在合成和真实天气数据集上展现了最先进的性能。