当深度受到影响时：用于无深度 RGB-D 显着物体检测的可靠性感知几何 蒸馏

深度可以解决 RGB-D 显着目标检测 (SOD) 中的外观模糊性，但传感器深度并不统一可靠。缺失区域、模糊边界和结构伪影可以通过多模态融合传播，并使 RGB-D 检测器的准确度低于仅 RGB 检测器。现有的质量意识方法调节观察深度，但仍然依赖于相同的潜在缺陷模式。我们提出了 \method，一种为 RGB-D SOD 基准开发的可靠性感知几何 蒸馏 框架，在训练或推理期间不使用数据集提供的深度。冻结的 Depth Anything V2 模型仅充当训练时教师，将密集的相对几何、分层空间注意力和边界结构转移到紧凑的边缘感知几何分支。池化双向交互将几何图形与外观对齐，并且逐像素可靠性估计器有选择地注入与当前 RGB 表示兼​​容的几何图形。训练后教师被移除，留下仅 RGB 的推理网络。在 2,985 个 RGB 掩码对上进行训练后，\method{} 在 36 个度量数据集与 10 个最近的 RGB-D SOD 方法的比较中的 26 个中取得了最佳或并列最佳结果，包括在 ReDWeb-S 上相对 MAE 降低了 13.4%。当在 DUTS-TR 上重新训练时，它还在 PASCAL-S 上将最强的先验 $F$ 测量提高了 4.2%，这表明蒸馏后的几何图形转移到了特定传感器或数据集域之外。代码将在发布后发布。