MMD-LoRA：融合LoRA与对比学习，解决ACDE中的领域差距与多模态错位

文章预览

🫱点这里加入16个细分方向交流群（🔥推荐）🫲 导读： 作者引入多模态驱动的低秩适应（MMD-LoRA）方法，利用低秩适应矩阵实现从源域到目标域的高效微调，以解决不利条件下深度估计（ACDE）问题。它由两个核心组成部分构成：基于提示的领域对齐（PDDA）和视觉-文本一致性对比学习（VTCCL）。通过大量实验，该方法突显了其在适应各种不利环境中的鲁棒性和效率。 ©️【深蓝AI】编译 论⽂题目： Multi-Modality Driven LoRA for Adverse Condition Depth Estimation 论文作者： Guanglei Yang, Rui Tian, Yongqiang Zhang, Zhun Zhong, Yongqiang Li, Wangmeng Zuo 论文地址： https://arxiv.org/pdf/2412.20162             自动驾驶系统旨在应对各种现实世界条件。其中，主要挑战是解决诸多corner case场景，在不利条件下（如夜间、雾天、雨天和雪天）驾驶安全变得至关重要。 这些不利条件不仅限制 ………………………………