RobIA

Abstract

Stereo Depth Estimation in real-world environments poses significant challenges due to dy- namic domain shifts, sparse or unreliable supervision, and the high cost of acquiring dense ground-truth labels. While recent Test-Time Adaptation (TTA) methods offer promising so- lutions, most rely on static target domain assumptions and input-invariant adaptation strate- gies, limiting their effectiveness under continual shifts. In this paper, we propose RobIA, a novel Robust, Instance-Aware framework for Continual Test-Time Adaptation (CTTA) in stereo depth estimation. RobIA integrates two key components: (1) Attend-and-Excite Mixture-of-Experts (AttEx-MoE), a parameter-efficient module that dynamically routes in- put to frozen experts via lightweight self-attention mechanism tailored to epipolar geometry, and (2) Robust AdaptBN Teacher, a PEFT-based teacher model that provides dense pseudo- supervision by complementing sparse handcrafted labels. This strategy enables input-specific flexibility, broad supervision coverage, improving generalization under domain shift. Exten- sive experiments demonstrate that RobIA achieves superior adaptation performance across dynamic target domains while maintaining computational efficiency.;스테레오 영상에서의 깊이 추정은 실제 환경에서 도메인 변화, 희소하거나 신뢰할 수 없는 감독 신호, 고밀도 정답 레이블 확보의 높은 비용 등으로 인해 여전히 어려 운 문제로 남아 있다. 이를 해결하기 위해 테스트 시점 적응(Test-Time Adaptation, TTA) 기법들이 연구되고 있으나, 대부분은 고정된 타깃 도메인을 가정하거나 입력과 관계없는 적응 전략에 의존하여 연속적인 도메인 변화 환경에서는 성능이 저하되는 한계가 있다. 본 논문에서는 스테레오 깊이 추정을 위한 연속적 테스트 시점 적응(Continual Test-Time Adaptation, CTTA) 프레임워크인 RobIA를 제안한다. RobIA는 두 가지 핵심 구성 요소로 구성된다. 첫째, 입력에 따라 전문가를 선택적으로 활성화하는 경량 셀프어텐션 기반 모듈인 Attend-and-Excite Mixture-of-Experts (AttEx-MoE), 둘째, 희소한 수작업 라벨을 보완하여 밀집된(dense) pseudo-label을 생성하는 효율적인 미세 조정 방법 (Parameter-efficient Fine Tuning, PEFT) 기반의 교사 모델 Robust AdaptBN Teacher이다. 제안한 방법은 입력에 기반한 유연한 적응과 넓은 감독 범위를 동시에 제공함으로써, 도메인 변화 환경에서도 향상된 일반화 성능을 달성한다. 다양한 실제 데이터셋에서의 실험을 통해 RobIA 가 기존 TTA 및 CTTA 방법들보다 우수한 적응 성능과 계산 효율성을 동시에 달성함을 확인하였다.