PureCLIP-Depth：基于 CLIP 嵌入空间的无提示无解码器的单目深度估计
计算机视觉与模式识别
2026-03-18 v1
摘要
我们提出了 PureCLIP-Depth，一个完全无需提示、无需解码器的单目深度估计（MDE）模型，其运算完全基于对比语言-图像预训练（CLIP）嵌入空间。与最近依赖几何特征的模型不同，我们探索了一种基于概念信息驱动的 MDE 方法，直接在概念 CLIP 空间中进行计算。我们的方法核心在于学习一种从 RGB 域直接映射到深度域的映射。我们的方法在室内外数据集上实现了 CLIP 嵌入基模型的最先进性能。本研究使用的代码已公开于：https://github.com/ryutaroLF/PureCLIP-Depth
引用
@article{arxiv.2603.16238,
title = {PureCLIP-Depth: Prompt-Free and Decoder-Free Monocular Depth Estimation within CLIP Embedding Space},
author = {Ryutaro Miya and Kazuyoshi Fushinobu and Tatsuya Kawaguchi},
journal= {arXiv preprint arXiv:2603.16238},
year = {2026}
}
备注
12 pages, 4 figures