360度 Depth Anything：迈向自然环境下的尺度不变性
计算机视觉与模式识别
2025-12-30 v1
摘要
全景深度估计为捕获完整的 环境结构信息提供了全面的解决方案，为机器人和 AR/VR 应用带来了显著益处。然而，尽管在室内环境中已有广泛研究，其在开放世界领域的零样本泛化能力却远落后于受益于丰富训练数据的透视图。这种差距使得从透视域转移能力成为一个极具吸引力的解决方案。为了弥合这一差距，我们提出了 360度 Depth Anything（DA360），即 Depth Anything V2 的全景自适应版本。我们的核心创新在于从 ViT 主干网络中学习一个偏移参数，将模型的尺度与偏移不变输出转化为可直接生成良好 3D 点云的尺度不变估计。此外，通过在 DPT 解码器中集成圆形填充以消除拼接伪影，确保了符合球面连续性的空间连贯深度图。在标准室内基准和我们新策划的室外数据集 Metropolis 上进行评估，DA360 相比其基础模型取得了显著提升，在室内和室外基准上的相对深度误差分别降低了 50% 以上和 10% 以上。此外，DA360 显著优于稳健的全景深度估计方法，在所有三个测试数据集上相比 PanDA 实现了约 30% 的相对误差改进，为零样本全景深度估计确立了新的 SOTA 性能。
引用
@article{arxiv.2512.22819,
title = {Depth Anything in $360^\circ$: Towards Scale Invariance in the Wild},
author = {Hualie Jiang and Ziyang Song and Zhiqiang Lou and Rui Xu and Minglang Tan},
journal= {arXiv preprint arXiv:2512.22819},
year = {2025}
}
备注
https://insta360-research-team.github.io/DA360