DINO-SD: Champion Solution for ICRA 2024 RoboDepth Challenge

环视深度估计是一项关键任务，旨在获取周围视图的深度图。它在实际场景中有许多应用，例如自动驾驶、增强现实/虚拟现实和三维重建等。然而，鉴于自动驾驶数据集中大多数数据是在白天收集的，这导致深度模型在面对分布外数据时表现不佳。虽然一些研究尝试提高深度模型在分布外数据下的鲁棒性，但这些方法要么需要额外的训练数据，要么缺乏泛化能力。在本报告中，我们介绍了DINO-SD，一种新颖的环视深度估计模型。我们的DINO-SD不需要额外的数据并具有很强的鲁棒性。我们的DINO-SD在ICRA 2024 RoboDepth Challenge的Track4中获得了最佳表现。

DINO-SD试图解决的问题是在自动驾驶数据集中，由于大多数数据是在白天采集的，导致深度模型在面对OoD数据时表现不佳的问题。论文试图提出一种不需要额外数据且具有强大鲁棒性的环视深度估计模型。

论文提出了DINO-SD，一种新颖的环视深度估计模型，其关键思路是通过使用DINO（自我监督学习）方法进行无监督预训练，然后使用少量的有标签数据进行微调。与其他方法相比，DINO-SD不需要额外的数据，具有较强的鲁棒性。

论文的实验结果表明，DINO-SD在ICRA 2024 RoboDepth Challenge的Track4中取得了最佳性能。此外，DINO-SD还可以在OoD数据上表现出色，而不需要使用其他方法所需的额外数据。论文提供了开源代码。

最近的相关研究包括使用GAN进行环视深度估计的方法和使用自监督学习进行深度估计的方法。其中一些相关论文的标题包括：“Learning Monocular 3D Object Detection via GAN-based Synthetic Depth Generation”和“Unsupervised Monocular Depth Estimation with Left-Right Consistency”。