天气条件下的深度任何深度

单目深度估计基础模型，例如 Depth Anything 系列，在不同领域取得了卓越的性能。然而，在雾、雨、雪或夜间等恶劣天气条件下，它们仍然会遭受严重故障。为了解决这个问题，我们提出了 Weather-Conditioned Depth Anything (DA-W)，这是一个框架，它明确地将风格与内容分开，以进行耐候深度估计。具体来说，我们引入了一种风格过滤器，该过滤器在真实和合成退化数据集的精选组合上进行训练，以提取与内容无关的、退化感知的天气嵌入。然后使用参数高效、零初始化的适配器将这种样式嵌入注入到 Depth Anything 主干中。这种轻量级的调制使单个统一模型能够稳健地适应不同的条件，包括雾、雨、雪和弱光，同时避免在正常条件下灾难性地忘记其核心泛化能力。我们使用伪标签 蒸馏 和对齐策略来训练适配器。我们的综合实验表明，我们提出的 DA-W 实现了最先进的稳健深度估计，在我们策划的天气基准上将 AbsRel 平均提高了 3.7%，同时在标准清洁基准上表现匹配或略胜一筹。我们的项目页面位于 https://zhaoming-tamu.github.io/WCDA/。