ReDepth Anything：基于自监督重光照的测试时深度细化

单目深度估计仍然具有挑战性，因为诸如 Depth Anything V2（DA-V2）等基础模型在远离训练分布的真实图像上表现不佳。我们引入 Re-Depth Anything，一个在测试时自监督框架，通过将基础模型与大规模 2D 扩散模型的强大先验相融合来弥合这一领域差距。我们的方法通过对预测深度图进行重光照并增强输入图像来在输入图像上执行无标签细化。这种重合成方法取代了经典的光度重建，利用 Score Distillation Sampling（SDS）中的形状从光照（Shape from Shading, SfS）线索在新的生成性上下文中工作。为防止优化崩溃，我们的框架仅更新中间嵌入和解码器的权重，而不直接优化深度张量或对整个模型进行微调。在多样化的基准测试上，Re-Depth Anything 在深度准确性和真实感方面显著优于 DA-V2，并在 DA3 之上实现了最先进的结果，展示了通过几何推理实现自监督的新方法。