본 논문에서는 악천후 환경에서의 단안 깊이 추정 성능 향상을 위한 새로운 방법인 ACDepth를 제시합니다. ACDepth는 고품질 학습 데이터 생성 및 도메인 적응이라는 관점에서 접근합니다. 악천후 조건을 모사하는 샘플을 생성하는 단일 단계 확산 모델을 도입하여 다중 튜플 저하 데이터셋을 구축하고, LoRA 어댑터를 사용하여 생성된 저하 샘플의 품질을 보장합니다. 순환 일관성 손실과 적대적 학습을 통합하여 장면 내용의 충실도와 자연스러움을 보장합니다. 또한, 교사 모델과 사전 학습된 Depth Anything V2로부터 지식을 흡수하도록 학생 네트워크를 유도하는 다중 입도 지식 증류 전략(MKD)을 사용합니다. 특히, 순서 지도 증류 메커니즘(OGD)을 통해 불확실한 영역에 집중하도록 유도하여 더욱 정확한 깊이 추정을 가능하게 합니다. 실험 결과, ACDepth는 nuScenes 데이터셋에서 야간 및 강우 장면에서 md4all-DD보다 absRel 지표 기준으로 각각 2.50%, 2.61% 향상된 성능을 보였습니다.
