打破水平先验：从长尾方向偏差到滚动鲁棒单目深度估计

尽管单目深度估计最近取得了进展，但最先进的深度基础模型仍然容易受到鲁棒性问题的影响。特别是，即使是轻微的相机滚动也会导致深度估计的显着降低。我们将这个问题归因于一个以前被忽视的现象，称为水平先验，这是长尾分布偏差的表现：由于人类的视觉偏好和摄影习惯，大多数训练图像都是以近似水平方向捕获的。虽然重新平衡数据增强和水平调整等直观的补救措施提供了部分改进，但它们无法完全解决问题。在本文中，我们引入了不变深度约束（ID-Constraint），这是一种训练时监督策略，通过 微调 提高滚动鲁棒性，并与一系列几何和空间推理任务联合正则深度主干。这些辅助目标鼓励主干学习旋转稳定、深度相关的表示，而辅助预测头在训练后被丢弃，保持原始推理架构不变。对四个卷设置的五个基准数据集进行的广泛实验证明了所提出方法的有效性。