Any Prior 的 Depth Anything

本工作提出了 Prior Depth Anything—a一种将深度测量中不完整但精确的度量信息与深度预测中相对但完整的几何结构相结合的框架，生成用于任何场景的准确、稠密且细节丰富的度量深度图。为此，我们设计了一个从粗到细的管线，逐步整合这两种互补的深度来源。首先，我们引入像素级的度量对齐和距离感知加权，以显式使用深度预测来填充多样化的度量先验。这有效缩小了先验模式之间的领域差异，增强了在不同情景下的泛化能力。其次，我们开发了一个条件单目深度估计 (MDE) 模型，以细化深度先验固有的噪声。通过对归一化预填充的先验和预测进行条件化，该模型进一步隐式地合并了这两种互补的深度来源。我们的模型在超过 7 个真实世界数据集上的零样本泛化表现出色，涵盖深度完成、超分辨率和图像填充任务，甚至在某些任务上超越了以前的任务特定方法。更重要的是，它在挑战性的、未见的混合先验上表现良好，并通过切换预测模型实现测试时改进，提供了灵活的精度-效率权衡，随着 MDE 模型的进步而不断演化。