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

📄 arXiv: 2607.00736 📥 PDF

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

分类: cs.CV

发布日期: 2026-07-05

💡 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 动态物体识别 深度学习 自动驾驶

📋 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，且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，提升深度估计的灵活性和准确性。
  3. FlexDepth在标准驾驶基准测试中表现优异，最小模型Flex-Nano在移动平台上仅需0.7 GFLOPs，达到37.6 FPS，确保实时感知。

📝 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，且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路面物体的置信度。此外，设计了尺度驱动解码器（SDD），根据尺度大小动态选择组件，促进高效特征融合和高精度深度图输出。实验表明，在不使用任何辅助信息的情况下，模型在任意尺度上均实现了最先进的性能，且计算开销极小。

🔬 方法详解

问题定义：现有自监督单目深度估计方法通常局限于单一尺度，导致在复杂驾驶环境中性能下降，且针对动态交通参与者的网络设计过于复杂，难以在资源受限的汽车边缘设备上部署。

核心思路：本文提出FlexDepth，通过引入两阶段静态-动态解耦训练策略，独立评估静态背景和动态物体的置信度，提升模型在复杂场景下的鲁棒性。同时，设计了尺度驱动解码器（SDD），根据输入尺度动态选择特征融合组件。

技术框架：FlexDepth的整体架构包括两个主要阶段：静态背景和动态物体的解耦训练。在训练过程中，模型首先对静态背景进行深度估计，然后针对动态物体进行独立评估。SDD模块根据输入的尺度大小动态调整特征融合策略。

关键创新：FlexDepth的核心创新在于其灵活的尺度驱动解码器，能够根据不同的输入尺度动态选择特征融合组件，从而实现高精度的深度图输出。这一设计与现有方法的单一尺度处理方式形成鲜明对比。

关键设计：在模型设计中，FlexDepth采用了优化的损失函数以平衡静态和动态物体的深度估计，同时在网络结构上进行了精简，使得最小模型Flex-Nano在移动平台上仅需0.7 GFLOPs，确保高效的实时性能。

🖼️ 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出色，最小模型Flex-Nano在移动平台上仅需0.7 GFLOPs，达到37.6 FPS，确保实时感知。同时，该模型在任意尺度上均实现了最先进的性能，展示了优异的零-shot泛化能力。

🎯 应用场景

FlexDepth的研究成果在自动驾驶、智能交通系统等领域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准确的环境感知，提升行车安全性和智能化水平。此外，FlexDepth的灵活性使其适用于多种复杂场景，为未来的智能交通解决方案奠定基础。

📄 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:this https URL