天气Mono:一种CNN-变压器架构,用于在雨天和雾天条件下进行自我监督的单眼深度估计
1School of Computer Science and Technology, Kashi University, Kashi 844000, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
这项研究介绍了WeatherMono,一种新的CNN-Transformer模型,用于在恶劣天气下准确的单眼深度估计. WeatherMono通过有效处理本地和全球图像特征,在雨天和雾天条件下显著改善深度预测.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 雨和雾等恶劣天气条件会降低图像质量,导致散射和遮.
- 这导致深度信息不一致,阻碍了在晴朗天气中训练的深度估计模型的性能.
研究的目的:
- 开发一个强大的自我监督的单眼深度估计模型,用于雨天和雾天.
- 提高在恶劣天气场景下深度估计模型的概括能力.
主要方法:
- 提出了WeatherMono,这是一个新的CNN-Transformer架构,用于单眼深度估计.
- 引入了一个多尺度可变形卷积 (MDC) 模块,用于详细的局部特征提取.
- 开发了一个全球-本地特征交互 (GLFI) 模块,用于增强特征理解.
主要成果:
- 在WeatherKITTI数据集上,WeatherMono实现了最先进的性能,AbsRel为0.097.
- 在DrivingStereo数据集上表现出强的结果,在降雨时达到0.149的AbsRel,在雾时达到0.101.
- 在准确性和稳定性方面超过了WeatherDepth和RoboDepth等现有方法.
结论:
- 拟议的WeatherMono架构有效地处理在恶劣天气中常见的低对比度和模糊图像.
- 在雨天和雾条件下,WeatherMono显著提高了单眼深度估计的准确性和稳定性.
- 在CNN和变压器的组合,以及专门的模块,对于有效的恶劣天气深度估计至关重要.


