DepthFocus：可控的视距场景深度估计

现实世界中的深度从来不是单一的。透明材料创建的层叠歧义会干扰常规感知系统。现有模型保持被动状态；常规方法通常估计静态深度图，锚定最近表面；即便是最新的多头扩展方案，因固定特征表示仍受表征瓶颈。这与人类视觉形成鲜明对比——后者主动转移焦点以感知所需深度。我们提出DepthFocus（深度聚焦），一种可导引的Vision Transformer，重新定义立体深度估计为条件感知控制。不同于提取固定特征，本模型依据物理参考深度动态调制其计算过程，集成双重条件机制，以选择性地感知与所需焦点相吻合的几何结构。借助新编的大规模合成数据集，DepthFocus在所有评估基准上实现最先进成绩，涵盖常规单层及复杂多层场景。虽保持不透明区域的高精度，本方法有效解决透明和反射场景中的深度歧义，通过选择性重建目标距离处的几何结构。该能力实现意图驱动的感知，显著优于现有多层方法，标志着主动3D感知的重要进展。\noindent \textbf{项目页面}：\href{https://junhong-3dv.github.io/depthfocus-project/}{\textbf{此链接}}。