Marigold-DC：基于引导扩散的零样本单目深度补全
计算机视觉与模式识别
2025-09-16 v2 机器学习
摘要
深度补全旨在将稀疏深度测量值升级为由常规图像引导的稠密深度图。针对这一高度病态的任务，现有方法通常在严格受限的设定下运行，当应用于训练域之外的图像，或可用的深度测量稀疏、分布不规则或密度不均时，往往表现不佳。受单目深度估计近期进展的启发，我们将深度补全重新构建为以稀疏测量为引导的图像条件深度图生成。我们的方法 Marigold-DC 基于用于单目深度估计的预训练潜在扩散模型，并通过与去噪扩散迭代推理同步运行的优化方案，将深度观测作为测试时引导注入模型。该方法在多种环境中展现出卓越的零样本泛化能力，并能有效处理极稀疏引导。我们的结果表明，当代单目深度先验极大地增强了深度补全的鲁棒性：最好将该任务视为在稀疏深度引导下从（稠密）图像像素恢复稠密深度，而非在图像引导下对（稀疏）深度进行修复。项目网站：https://MarigoldDepthCompletion.github.io/
引用
@article{arxiv.2412.13389,
title = {Marigold-DC: Zero-Shot Monocular Depth Completion with Guided Diffusion},
author = {Massimiliano Viola and Kevin Qu and Nando Metzger and Bingxin Ke and Alexander Becker and Konrad Schindler and Anton Obukhov},
journal= {arXiv preprint arXiv:2412.13389},
year = {2025}
}
备注
ICCV 2025