论文阅读《Robust Monocular Depth Estimation under Challenging Conditions》

论文地址：https://arxiv.org/pdf/2308.09711.pdf
源码地址：https://github.com/md4all/md4all

---

概述

  现有SOTA的单目估计方法在理想的环境下能得到满意的结果，而在一些极端光照与天气的情况下往往会失效。针对模型在极端条件下的表现不佳问题，文章提出一种用于解决这种安全问题的模型：md4all。该方法首先生成一组与正常样本对应的复杂样本，然后通过生成的样本来计算相应原始视图上的标准损失，引导其自监督或者全监督来训练模型，使得模型在不同条件下能够恢复原始的信息。在nuScenes 和 Oxford RobotCar 数据集上的结果表明该方法的有效性，在标准条件下和极端条件下的表现都超过了之前的工作。

---

模型架构

Self-Supervised Baseline

  使用Monodepth2作为baseline模型，使用白天数据来进行蒸馏学习得到