Проблема существующих моделей
Современные модели оценки глубины, такие как Depth Anything V2, демонстрируют выдающиеся результаты на чистых изображениях. Однако их производительность резко падает при наличии атмосферных помех: снега, дождя, тумана или грязи. Это критический недостаток для автономных транспортных средств, дронов и робототехники, работающих в реальных условиях.
Решение: Weather-Conditioned Depth Anything (WCDA)
Команда разработчиков под руководством Чжао Минга (Zhaoming) из Техасского университета A&M представила архитектуру WCDA. Ключевая инновация заключается во внедрении механизма, учитывающего погодные условия, что позволяет модели адаптировать свои веса и фокусироваться на структурных элементах сцены, игнорируя шум от осадков.
Технические детали и архитектура
Модель базируется на фундаменте Depth Anything V2, но добавляет специализированные слои для обработки погодных артефактов. На вход подаются не только исходные изображения, но и дополнительные каналы, кодирующие информацию о типе погодного явления. Это позволяет сети разделять семантическое содержание объекта и визуальный шум.
Результаты тестирования
Эксперименты показали, что WCDA значительно превосходит базовую версию Depth Anything V2 (DA V2) и другие существующие методы на датасетах с загрязненными изображениями. Модель сохраняет высокую точность оценки глубины даже при сильном снегопаде или дожде, когда стандартные модели дают сбой.
| Модель | Условие | Ключевая особенность |
|---|---|---|
| Depth Anything V2 (DA V2) | Чистая погода | Высокая точность, но падает при помехах |
| WCDA (Weather-Conditioned) | Снег/Дождь/Туман | Адаптация к погодным условиям, стабильная глубина |
| Базовые методы | Любые | Низкая устойчивость к визуальным артефактам |
Значение для индустрии
Разработка WCDA открывает путь к созданию более надежных систем компьютерного зрения для автономного вождения и робототехники. Способность точно «видеть» глубину в непогоду снижает риски аварий и повышает эффективность работы роботов в уличных условиях. Код модели и предобученные веса доступны на GitHub, что позволяет сообществу исследователей и разработчиков интегрировать решение в свои проекты.
Источник: Github ↗