PhysDepth：针对挑战性环境单目深度估计的即插即用物理细化
计算机视觉与模式识别
2026-01-08 v3
摘要
最新单目深度估计 (MDE) 模型在挑战性环境中常常表现不佳，主要是因为忽略了稳健的物理信息。为证明这一点，我们首先进行一次经验研究，通过计算模型预测误差与大气衰减之间的协方差。我们发现，现有 SOTA 方法的误差随大气衰减而增大。基于这一发现，我们提出 PhysDepth，一个即插即用框架，通过注入物理先验到现代 SOTA 主干网络中来解决这种脆弱性。PhysDepth 包含两个关键组件：一个物理先验模块 (PPM)，其利用瑞利散射理论从高信噪比的红色通道中提取稳健特征，以及一个源自物理的红色通道衰减损失 (RCA)，该损失迫使模型学习 Beer-Lambert 定律。广泛的评估表明，PhysDepth 在挑战性条件下实现了 SOTA 精度。
引用
@article{arxiv.2412.04666,
title = {PhysDepth: Plug-and-Play Physical Refinement for Monocular Depth Estimation in Challenging Environments},
author = {Kebin Peng and Haotang Li and Zhenyu Qi and Huashan Chen and Zi Wang and Wei Zhang and Sen He and Huanrui Yang and Qing Guo},
journal= {arXiv preprint arXiv:2412.04666},
year = {2026}
}