When Depth Hurts: Reliability-Aware Geometry Distillation for Depth-Free RGB-D Salient Object Detection
作者: Xuehao Wang, Jiaxin Hua, Runmei Li, Zhenyu Wu, Chenglizhao Chen, Ke Gu, Aimin Hao
分类: cs.CV
发布日期: 2026-09-03
💡 一句话要点
提出可靠性感知几何蒸馏框架以解决RGB-D显著目标检测问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: RGB-D显著目标检测 几何蒸馏 深度信息 多模态融合 可靠性感知 深度教师模型 像素级估计
📋 核心要点
- 现有RGB-D显著目标检测方法依赖于深度信息，但传感器深度的可靠性不均，导致检测精度下降。
- 本文提出的 extit{method}框架通过几何蒸馏技术，利用深度教师模型在训练阶段传递几何信息，而在推理阶段仅使用RGB信息。
- 在2,985对RGB-mask的训练下， extit{method}在多个数据集上表现优异，尤其在ReDWeb-S上相对MAE降低了13.4%。
📝 摘要（中文）
深度信息可以解决RGB-D显著目标检测中的外观模糊问题，但传感器深度并不总是可靠。现有的质量感知方法依赖于可能存在缺陷的深度模态。本文提出了一种可靠性感知几何蒸馏框架 extit{method}，在训练和推理过程中不使用数据集中提供的深度信息。通过冻结的Depth Anything V2模型作为教师，转移密集的相对几何信息、层次空间注意力和边界结构到紧凑的边缘感知几何分支。经过训练， extit{method}在36个指标数据集比较中取得了26个最佳或并列最佳的结果，显示出其在RGB-D显著目标检测中的有效性。
🔬 方法详解
问题定义：本文旨在解决RGB-D显著目标检测中由于深度信息不可靠导致的检测精度下降问题。现有方法依赖于同一模态的深度信息，可能会引入缺陷。
核心思路：提出的 extit{method}框架通过几何蒸馏技术，利用一个冻结的深度教师模型在训练阶段传递几何信息，而在推理阶段仅使用RGB信息，从而避免了对不可靠深度的依赖。
技术框架：整体架构包括一个冻结的Depth Anything V2模型作为教师，转移几何信息到一个边缘感知几何分支。通过双向交互对齐几何与外观，并使用像素级可靠性估计器选择性注入与当前RGB表示兼容的几何信息。
关键创新：最重要的创新在于不依赖于数据集提供的深度信息，利用教师模型进行几何蒸馏，显著提升了RGB-D显著目标检测的性能。
关键设计：在训练过程中，使用了特定的损失函数来优化几何信息的传递，并设计了一个像素级的可靠性估计器，以确保注入的几何信息与RGB信息的兼容性。
🖼️ 关键图片
📊 实验亮点
在与十种最新RGB-D显著目标检测方法的比较中， extit{method}在36个指标数据集上取得了26个最佳或并列最佳的结果，尤其在ReDWeb-S上实现了13.4%的相对MAE降低，并在DUTS-TR上重新训练后在PASCAL-S上提升了4.2%的F-measure。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人视觉和智能监控等，能够在不依赖高质量深度传感器的情况下，提升显著目标检测的准确性，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Depth can resolve appearance ambiguity in RGB-D salient object detection (SOD), yet sensor depth is not uniformly reliable. Missing regions, blurred boundaries, and structural artifacts can propagate through multimodal fusion and make an RGB-D detector less accurate than its RGB-only counterpart. Existing quality-aware approaches regulate observed depth but remain dependent on the same potentially defective modality. We propose \method, a reliability-aware geometry distillation framework developed for RGB-D SOD benchmarks without using dataset-provided depth during training or inference. A frozen Depth Anything V2 model serves only as a training-time teacher, transferring dense relative geometry, hierarchical spatial attention, and boundary structure to a compact edge-aware geometry branch. Pooled bidirectional interaction aligns geometry with appearance, and a pixel-wise reliability estimator selectively injects geometry that is compatible with the current RGB representation. The teacher is removed after training, leaving an RGB-only inference network. Trained on 2,985 RGB-mask pairs, \method{} achieves the best or tied-best result in 26 of 36 metric-dataset comparisons against ten recent RGB-D SOD methods, including a 13.4\% relative MAE reduction on ReDWeb-S. When retrained on DUTS-TR, it also improves the strongest prior $F$-measure by 4.2\% on PASCAL-S, showing that the distilled geometry transfers beyond a particular sensor or dataset domain. Code will be released upon publication.