🔥 今日值得一读
烟雾黑暗也能测距！GRADE用单帧雷达实现0.313米精度深度估计
GRADE: Single-Frame Generative Radar Depth Estimation Under Visual Degradation
👨💼 主理人解读 · 为什么值得关注
在烟雾、黑暗等视觉失效场景下用雷达+扩散先验恢复稠密深度，适合自动驾驶与救援机器人。
📖 AI 总结
本文提出GRADE，一种在烟雾、雾气和黑暗等视觉退化条件下利用单帧毫米波雷达进行稠密深度估计的方法。由于光学传感器无法穿透空气中的颗粒物，而毫米波雷达虽测距准确却受限于小孔径带来的低角分辨率，GRADE将预训练生成先验与单帧雷达几何相结合：先将原始4D雷达频谱映射为粗略的度量深度，再通过潜在扩散模型恢复结构细节，并在每一步去噪中以该深度估计为条件；同时引入像素空间适配器，在可用时利用残余相机线索，并跨越清晰、烟雾退化和遮挡输入进行训练，使能见度下降时输出逐步趋近纯雷达路径。研究在12栋建筑、约9.5万帧真实烟雾数据上训练与评估，清晰场景下平均绝对误差为0.303米，烟雾条件下为0.313米，优于现有基线。该工作为恶劣视觉环境下的鲁棒三维感知提供了可行方案，代码与数据集已公开。
🔑 关键词速览
| GRADE | 本文提出的单帧生成雷达深度估计方法，利用生成先验和雷达几何在视觉退化条件下估计度量深度。 |
| mmWave radar | 毫米波雷达，一种利用毫米波频段进行测距和感知的传感器，能穿透烟雾、雾气等颗粒物。 |
| latent diffusion backbone | 潜在扩散主干网络，一种在潜在空间中进行去噪扩散的生成模型，用于恢复结构细节。 |
| metric depth | 度量深度，指具有真实物理尺度（如米）的深度值，而非相对深度。 |
| MAE | 平均绝对误差，衡量深度估计值与真实值之间平均绝对差异的指标，单位通常为米。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅