今日论文速览

抓取时间（北京时间）：2026-07-23 23:27:59

1. Toward Reliable RGB-D Semantic Segmentation: Handling Missing Modalities via Condition Dropout

• ArXiv: https://arxiv.org/abs/2607.20326v1
• 发布时间: 2026-07-23 00:12:27 (北京时间)
• 作者: Xuchen Zhu, Yajuan Wei, Shuang Hao, Jiwei Jiang, Guanxiang Mao, Fang Ren
• 标签: 检测

AI 深度解析

TL;DR：提出一种名为Condition Dropout（ConD）的持续训练范式，通过模拟缺失模态输入来提升RGB-D语义分割模型在单模态缺失时的鲁棒性，同时保持全模态精度。

核心贡献：

• 提出ConD训练策略：在预训练的RGB-D模型基础上，通过第二阶段随机模拟完整、RGB缺失和深度缺失三种输入情况，冻结原始编码器并训练带零初始化特征注入的复制编码器，有效缓解模态缺失导致的性能下降。
• 零初始化特征注入机制：在缺失模态时，通过复制编码器注入零初始化特征，使模型学会利用剩余单模态信息，同时避免干扰全模态性能。
• 实验验证有效性：在NYU-Depth V2和SUN RGB-D数据集上，ConD不仅提升了缺失模态下的鲁棒性，还在全模态输入下带来轻微性能增益。

方法类型：其他（基于CNN/Transformer的RGB-D分割模型的持续训练范式）

适用场景：通用分割（RGB-D语义分割，尤其适用于传感器故障或遮挡场景，如机器人、自动驾驶、监控等）

评估指标：mIoU（具体数值未在摘要中给出，但提及在NYU-Depth V2和SUN RGB-D上有效）

代码可用性：是（将在论文接收后公开）

领域启发：该论文对图像分割与目标识别研究及工程落地的价值在于：它解决了实际部署中传感器模态缺失的常见问题，通过一种简单高效的持续训练范式，无需修改模型架构即可提升鲁棒性。这启发研究者关注模型在非理想输入条件下的适应性，而非仅追求全模态下的最优性能。对于工程落地，ConD提供了一种低成本、易集成的解决方案，可应用于机器人、自动驾驶等对可靠性要求高的场景，减少因传感器故障导致的性能崩溃风险。