摘要

多模态融合可以使语义分割更加鲁棒。然而，融合任意数量的模态仍然是一个未充分探索的问题。为了深入研究这一问题，我们创建了DeLiVER任意模态分割基准数据集，涵盖了深度（Depth）、激光雷达（LiDAR）、多视图（multiple Views）、事件（Events）和RGB图像。此外，我们还提供了四种恶劣天气条件和五种传感器故障情况下的数据集，以利用模态互补性和解决部分故障问题。为实现这一目标，我们提出了任意跨模态分割模型CMNeXt。该模型包含一个自查询中心（Self-Query Hub, SQ-Hub），旨在从任何模态中提取有效信息，以便后续与RGB表示进行融合，并且每增加一种模态仅需添加微不足道的参数量（约0.01M）。此外，为了高效灵活地从辅助模态中获取判别特征，我们引入了一种简单的并行池化混合器（Parallel Pooling Mixer, PPX）。通过在总共六个基准数据集上的广泛实验，我们的CMNeXt在DeLiVER、KITTI-360、MFNet、NYU Depth V2、UrbanLF和MCubeS数据集上均取得了最先进的性能，支持从1到81个模态的扩展。在新收集的DeLiVER数据集中，四模态CMNeXt达到了66.30%的mIoU值，相比单模态基线提高了9.10%。DeLiVER数据集和我们的代码可访问：https://jamycheung.github.io/DELIVER.html。