滑动锚定度量深度估计：单图方法

准确且可泛化的度量深度估计对于各种计算机视觉应用至关重要，但由于室内外环境中深度尺度的多样性，这一任务仍具有挑战性。本文引入 Metric-Solver，一种基于滑动锚定的度量深度估计方法，动态适应不同场景尺度。我们的方法利用锚定表示， Reference 深度作为锚点将场景深度分离并归一化为两个组成部分：scaled near-field 深度和 tapered far-field 深度。锚定作为归一化因子，使 near-field 深度在一致范围内归一化，同时将 far-field 深度平滑映射至零。通过该方法，场景中任意深度从 0 到 infinity 都能在统一表示中表示，有效消除了需手动考虑场景尺度变化的需求。更重要的是，对于相同场景，锚定可沿深度轴滑动，动态调整以适应不同深度尺度。较小的锚定可提高 near-field 的分辨率，改善靠近物体的深度精度，而较大的锚定可提高远域深度估计。这种可适应性使模型能够处理不同距离的深度预测，确保跨数据集的强泛化。我们的设计实现了跨多样化环境的统一和自适应深度表示。大量实验表明，Metric-Solver 在准确性和跨数据集泛化方面均优于现有方法。