ReDepth Anything：基于自监督重光的测试时代深度细化
计算机视觉与模式识别
2026-03-10 v2 人工智能
机器学习
摘要
单目深度估计仍然具有挑战性，因为诸如 Depth Anything V2 (DA-V2) 等基础模型在面对远离训练分布的真实图像时表现不佳。我们引入 Re-Depth Anything，一个测试时自监督框架，通过将基础模型与大规模 2D 扩散模型的强大先验相结合来弥合这一领域差距。该方法通过对预测深度图进行重光并增强输入图像来实现对输入图像的无标签细化。这种重合成方法取代了经典的光度重建，利用形状从光照 (Shape from Shading, SfS) 线索在新的生成式上下文中应用 Score Distillation Sampling (SDS)。为防止优化崩溃，我们的框架仅更新中间嵌入和解码器的权重，而不是直接优化深度张量或对整个模型进行微调。在多个多样化基准测试中，Re-Depth Anything 在深度准确性和真实性方面均显著优于 DA-V2，并在 DA3 之上实现了最新的结果，展示了通过几何推理实现自监督的新途径。
引用
@article{arxiv.2512.17908,
title = {ReDepth Anything: Test-Time Depth Refinement via Self-Supervised Re-lighting},
author = {Ananta R. Bhattarai and Helge Rhodin},
journal= {arXiv preprint arXiv:2512.17908},
year = {2026}
}
备注
Accepted at CVPR 2026 (Findings). Project Page: https://anantarb.github.io/redepth Code: https://github.com/anantarb/Re-Depth-Anything