Towards Robust Driving Perception: A Flexible Scale-Driven Family for Self-Supervised Monocular Depth Estimation

📄 arXiv: 2607.00736v1 📥 PDF

作者: Zhaowen Zhu, Li Zhang, Yujie Chen, Tian Zhang, Yingjie Wang, Mingxia Zhan

分类: cs.CV

发布日期: 2026-07-01

备注: Accepted by ECCV2026. Code is available at https://github.com/startnew/flexdepth

🔗 代码/项目: GITHUB

💡 一句话要点

提出FlexDepth以解决复杂驾驶环境中的单目深度估计问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 自监督学习 单目深度估计 动态物体处理 深度学习 自动驾驶 计算机视觉 轻量化模型

📋 核心要点

  1. 现有自监督单目深度估计模型通常局限于单一尺度，导致在复杂驾驶环境中性能显著下降。
  2. 本文提出FlexDepth，通过两阶段静态-动态解耦训练策略和尺度驱动解码器，提升了深度估计的灵活性和准确性。
  3. 在标准驾驶基准测试中，FlexDepth在不依赖辅助信息的情况下，展现出卓越的性能，尤其是其最小模型Flex-Nano在移动平台上表现出色。

📝 摘要（中文）

自监督单目深度估计（MDE）近年来受到关注，因其不依赖于真实标签。然而，现有模型通常局限于单一尺度，在复杂驾驶环境中表现不佳。针对动态交通参与者的网络往往过于复杂，限制了其在资源受限的汽车边缘设备上的部署。为了解决这些问题，本文提出了FlexDepth，一个针对挑战性道路场景的灵活尺度驱动自监督MDE模型。FlexDepth采用两阶段静态-动态解耦训练策略，独立评估静态背景和动态道路物体的置信度，并引入精心设计的尺度驱动解码器（SDD），根据尺度大小动态选择组件，实现高效特征融合和高精度深度图输出。实验结果表明，在不使用任何辅助信息的情况下，我们的模型在任意尺度上实现了最先进的性能，且计算开销极小。

🔬 方法详解

问题定义：本文旨在解决现有自监督单目深度估计模型在复杂驾驶环境中的性能不足，尤其是对动态交通参与者的处理能力较弱，且模型复杂度高，难以在资源受限的设备上部署。

核心思路：FlexDepth通过引入两阶段静态-动态解耦训练策略，使得模型能够独立评估静态背景和动态物体的置信度，从而提高深度估计的准确性和鲁棒性。

技术框架：FlexDepth的整体架构包括两个主要模块：静态背景处理和动态物体处理。首先，模型通过静态-动态解耦训练策略进行训练，然后利用尺度驱动解码器（SDD）根据输入特征的尺度动态选择合适的解码组件，实现高效的特征融合。

关键创新：FlexDepth的核心创新在于其尺度驱动解码器（SDD），该设计允许模型根据不同的尺度动态调整解码过程，从而显著提升了深度图的精度和模型的灵活性。这一方法与传统的单一尺度模型相比，能够更好地适应复杂的驾驶场景。

关键设计：在模型设计中，FlexDepth采用了特定的损失函数来优化静态和动态物体的置信度评估，同时在网络结构上进行了优化，使得最小模型Flex-Nano仅需0.7 GFLOPs，能够在移动平台上以37.6 FPS的速度运行，确保实时感知的可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FlexDepth在标准驾驶基准测试中表现优异，未使用任何辅助信息的情况下，达到了最先进的性能。其最小模型Flex-Nano在移动平台上仅需0.7 GFLOPs，能够以37.6 FPS的速度运行，确保了实时深度估计的高效性和准确性。

🎯 应用场景

FlexDepth在自动驾驶和智能交通系统中具有广泛的应用潜力。其高效的深度估计能力能够为自动驾驶车辆提供更准确的环境感知，提升安全性和可靠性。此外，该模型的轻量化设计使其适合在资源受限的边缘设备上部署，推动智能交通技术的普及和发展。

📄 摘要（原文）

Self-Supervised Monocular Depth Estimation (MDE) has garnered attention in recent years due to its independence from ground truth. However, most existing models are limited to a single scale and exhibit considerable performance degradation in complex driving environments. Networks specifically designed to handle dynamic traffic participants tend to be overly complex, hindering their deployment on resource-constrained automotive edge devices. To address these limitations and move towards robust driving perception, we propose FlexDepth, a scale-driven and flexible family of self-supervised MDE models tailored for challenging road scenarios. FlexDepth employs a two-stage static-dynamic decoupled training strategy, enabling the independent assessment of confidence for both static backgrounds and dynamic road objects. Furthermore, it introduces a meticulously designed Scale-Driven Decoder (SDD) to dynamically select components based on scale size, facilitating efficient feature fusion and the output of high-precision depth maps. Extensive experiments on standard driving benchmarks demonstrate that without any auxiliary information, our model achieves state-of-the-art performance across arbitrary scales with minimal computational overhead. Our smallest model, Flex-Nano, requires only 0.7 GFLOPs and achieves 37.6 FPS on mobile platforms, ensuring reliable real-time perception while maintaining excellent zero-shot generalization.Our source code is avalible: https://github.com/startnew/flexdepth