高效混合 CNN-GNN 架构用于单目深度估计
计算机视觉与模式识别
2026-05-12 v1
摘要
我们提出 GraphDepth，一种单目深度估计架构，将图神经网络（GNN）与卷积编码器-解码器框架有效集成。我们的方法在 ResNet-101 U-net 主干架构的多个尺度上嵌入高效 GraphSAGE 层，使其能够显式建模超出局部卷积感受野的长程空间关系。关键技术贡献包括：（1）批处理并行化图构建，支持可配置的 k-NN 和网格基邻接以实现可扩展训练；（2）在瓶颈和解码器阶段（1/32、1/16、1/8 分辨率）集成多尺度 GraphSAGE，以在特征层次结构中传播全局上下文；（3）通道注意力门控跳跃连接，自适应地对编码器特征进行加权后进行融合；（4）通过专用不确定性头实现的异质不确定性估计，使优化期间的损失函数能够实现置信感知加权。不同于基于转换器的混合模型，后者在序列长度为二次方的情况下计算复杂度较高，GraphDepth 在空间分辨率上实现线性尺度，同时通过迭代消息传递实现相当的全局感受野。在 NYU Depth V2、WHU Aerial、ETH3D 和 Mid-Air 数据集上的实验表明，GraphDepth 在室内场景下仅落后于最先进转换器约 4.6%，但计算成本显著降低（25 FPS vs 9 FPS，3.8 GB vs 8.8 GB VRAM）。GraphDepth 在 WHU Aerial 数据集上取得最佳报告结果（RMSE 8.24 m），并在中空航拍合成数据集上表现出优异的零样本跨域迁移能力，验证了显式关系推理在深度估计中的泛化能力。
引用
@article{arxiv.2605.10251,
title = {Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation},
author = {Ishan Narayan},
journal= {arXiv preprint arXiv:2605.10251},
year = {2026}
}