GVDepth：基于概率线索融合的地面车辆零样本单目深度估计
计算机视觉与模式识别
2025-09-26 v2 人工智能
机器人学
摘要
单尺度深度估计的泛化性质因其不确定性而提出了显著挑战，而相机参数与深度之间的纠缠进一步放大了问题，阻碍了多数据集训练和零样本准确性。这一挑战在自动驾驶车辆和移动机器人领域尤为突出，由于数据是使用固定相机设置收集的，限制了几何多样性。然而，这种情境也 presents 一个机会：固定的相机与地面平面之间的关系施加了额外的透视几何约束，使通过对象的垂直图像位置进行深度回归成为可能。然而，这一线索高度易受过拟合影响，因此我们提出了一种新型规范表示，保持在各种相机设置下保持一致，有效地将深度从特定参数中解耦，并增强跨数据集的泛化性。我们还提出了一种新型体系结构，自适应地以概率方式融合通过对象大小和垂直图像位置线索估计的深度。综合评估表明，所提出的方法在五个自动驾驶数据集上有效，实现了对不同分辨率、宽高比和相机设置的准确度量深度估计。值得注意的是，我们尽管在单个数据集上以单个相机设置进行训练，即可达到现有零样本方法的可 comparable 准确性。项目网站: https://unizgfer-lamor.github.io/gvdepth/
引用
@article{arxiv.2412.06080,
title = {GVDepth: Zero-Shot Monocular Depth Estimation for Ground Vehicles based on Probabilistic Cue Fusion},
author = {Karlo Koledić and Luka Petrović and Ivan Marković and Ivan Petrović},
journal= {arXiv preprint arXiv:2412.06080},
year = {2025}
}
备注
ICCV 2025