Any to Full：通过提示深度任意模型实现单阶段深度补全
计算机视觉与模式识别
2026-03-09 v1
摘要
精确、密集的深度估计对于机器人感知至关重要，但商用传感器由于硬件限制通常只能提供稀疏或不完整的测量值。现有的RGBD融合深度补全方法学习以训练RGB分布和特定深度模式为条件的联合先验，限制了领域泛化能力和对各种深度模式的鲁棒性。最近的研究利用单目深度估计模型引入领域通用的几何先验，但当前依赖显式相对到度量对齐的两阶段集成策略会引入额外计算并产生结构性畸变。为此，我们提出了Any2Full，一个单阶段、领域通用且模式无关的框架，将补全重新定义为对预训练单目深度估计模型的尺度提示适配。为应对不同的深度稀疏程度和不规则的空间分布，我们设计了一个尺度感知提示编码器。它将来自稀疏输入的尺度线索提炼为统一的尺度提示，引导单目深度估计模型生成全局尺度一致的预测，同时保留其几何先验。大量实验表明，Any2Full实现了卓越的鲁棒性和效率。在平均绝对相对误差上，它比OMNI-DC提升了32.2%，并在相同单目深度估计骨干网络下比PriorDA实现了1.4倍的加速，为通用深度补全建立了一个新范式。代码和检查点可在https://github.com/zhiyuandaily/Any2Full获取。
引用
@article{arxiv.2603.05711,
title = {Any to Full: Prompting Depth Anything for Depth Completion in One Stage},
author = {Zhiyuan Zhou and Ruofeng Liu and Taichi Liu and Weijian Zuo and Shanshan Wang and Zhiqing Hong and Desheng Zhang},
journal= {arXiv preprint arXiv:2603.05711},
year = {2026}
}