这篇论文总结了 RoboDepth 挑战中的获胜解决方案，重点关注鲁棒的自监督和全监督深度估计，涉及了深度估计、挑战赛、深度预测、超分辨率和降噪等方面的创新设计。

Jul, 2023

本文旨在探讨当前最先进的单目深度估计神经网络对抗攻击的鲁棒性，实验结果表明微小的打扰和少于 1% 的图像损坏就会极大地影响深度估计，并提出一种新的深度特征损坏损失来增强攻击效果

May, 2020

基于重构误差，我们提出了一种检测 encoder-decoder 深度估计模型中的 out-of-distribution 图像的方法，并通过实验证明其在不同模型上的性能优于现有的不确定性估计方法，而无需修改已训练的 encoder-decoder 深度估计模型。

Aug, 2023

本研究旨在设计公共数据集，并建立三种耐受性基准 (KITTI-C、nuScenes-C 和 Waymo-C) 来检验 27 种常见情况下的真实世界杂质对三维物体检测模型的鲁棒性，结果发现基于雷达与相机融合的模型具有更好的鲁棒性。

Mar, 2023

本研究探讨使用基于马氏距离的异常检测器来识别机器学习模型中的样本是否与训练时样本相似，并且通过实验表明，该方法在确定性外部数据的适用性上具有可行性，用于机器学习为基础的距离估计模型在机器人引导下的显微手术过程中可能起到检测数据异常的作用。

Apr, 2023

在本文中，我们揭示了单目深度估计方法在恶劣照明和天气条件下的不可靠性，并使用 md4all 解决了这些安全关键问题，该解决方案在逆境和理想条件下以及不同类型的学习监督下都能可靠工作。通过利用现有方法在完美条件下的功效，我们独立于输入提供有效的训练信号，从而在推断时不需要进行修改，通过生成与正常训练样本相对应的一组复杂样本，并通过提供生成的样本并计算相应原始图像上的标准损失来指导模型的自监督或完全监督训练。在挑战性的 nuScenes 和 Oxford RobotCar 两个公共数据集上进行的大量实验证明了我们技术的有效性，在标准和挑战性条件下都显著优于先前的工作。源代码和数据可在此 https URL 找到。

Aug, 2023

通过研究环境和硬件条件引起的数据损坏对基于视觉的深度学习飞机检测和跟踪的影响，本文设计了七种常见的损坏类型，并构建了名为 AOT-C 的第一个用于飞行物体探测的健壮性基准数据集。基于实验评估结果，研究发现：YOLO 家族的一阶段检测器表现出更好的健壮性，而基于 Transformer 和多阶段的检测器（如 Faster R-CNN）对损坏非常敏感。此外，通过在合成数据上进行微调，可以改善目标检测器在真实飞行实验中的泛化能力。

May, 2024

EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

Oct, 2023

使用 RoboBEV 基准套件从多个角度评估不同 Bird's eye view 模型的鲁棒性，发现模型在内分布数据集上的表现与在分布外数据集上的性能存在强烈的相关性，但也存在不同方法相对性能差异较大的问题。同时，预训练和无深度 BEV 转换具有增强分布外鲁棒性的潜力，使用富含时间信息的数据也可以大大提高模型的鲁棒性。

Apr, 2023

在本文中，我们针对受云层影响的航拍图像，提出了两个基于 DOTA-v1.0 的新型基准测试。通过对主流目标检测模型的系统评估和大量剖析实验，我们发现增强模型架构、更大的网络、精心设计的模块以及谨慎的数据增强策略可以共同提高航拍目标检测模型的稳健性。我们提出的基准测试和全面的实验分析有助于促进航拍图像中稳健目标检测的研究。

Aug, 2023