Gamma-from-Mono：面向车载应用的道路相对、度量、自监督单目几何估计

准确感知车辆的三维周围环境，包括精细的道路几何结构（如颠簸、坡度和表面不规则性），对于安全且舒适的车辆控制至关重要。然而，传统的单目深度估计往往对这些特征过度平滑，丢失了运动规划和稳定性所需的关键信息。为此，我们提出 Gamma-from-Mono（GfM），一种轻量级的单目几何估计方法，通过解耦全局与局部结构来解决单相机重建中的投影歧义。GfM 预测主导道路平面，同时以 gamma 表示残差变化，gamma 是一个无量纲的垂直偏离度量，定义为某点相对于该平面的高度与其距相机深度的比值，并基于已建立的平面视差几何。仅凭相机离地高度，该表示即可通过闭式解确定性地恢复度量深度，避免了完整的外参标定，并自然地优先保留近道路细节。其物理可解释的形式化使其非常适合自监督学习，无需大规模标注数据集。在 KITTI 和道路表面重建数据集（RSRD）上评估，GfM 在深度和 gamma 估计的近场精度上达到了最先进的水平，同时保持了具有竞争力的全局深度性能。我们的轻量级 8.88M 参数模型能够适应多样化的相机设置，据我们所知，是首个在 RSRD 上评估的自监督单目方法。