完善深度：不确定性感知的度量深度增强
计算机视觉与模式识别
2025-06-06 v1
摘要
我们提出一种新型两阶段框架，用于传感器深度增强，称为 Perfecting Depth。该框架利用扩散模型的随机特性，自动检测不可靠深度区域，同时保留几何线索。在第一阶段（随机估计），该方法通过利用训练-推理领域间的差异，识别不可靠测量值并推断几何结构。在第二阶段（确定性细化），它利用来自第一阶段的不确定性图，强制结构一致性和像素级精度。通过将随机不确定性建模与确定性细化相结合，我们的方法生成稠密、无伪影的深度图，提高可靠性。实验结果在多种真实场景下均证明其有效性。进一步的理论分析、各种实验和定性可视化均验证了其鲁棒性和可扩展性。该框架为传感器深度增强树立了新的基准，具有广泛的应用前景，包括自动驾驶、机器人和沉浸式技术等领域。
引用
@article{arxiv.2506.04612,
title = {Perfecting Depth: Uncertainty-Aware Enhancement of Metric Depth},
author = {Jinyoung Jun and Lei Chu and Jiahao Li and Yan Lu and Chang-Su Kim},
journal= {arXiv preprint arXiv:2506.04612},
year = {2025}
}