基于稀疏测量的区域感知深度尺度自适应
计算机视觉与模式识别
2025-07-22 v1
摘要
近年来，基于深度预测的基础模型的出现推动了零样本单目深度估计的显著进展。这些模型生成的深度预测令人印象深刻，但其输出常为相对尺度而非实际尺度。这一限制给予实际应用的直接部署带来了挑战。为此，已提出多种尺度适应方法，使基础模型能够生成实际尺度的深度。然而，这些方法通常计算成本高昂，需在新域和数据集上进行额外训练。此外，这些模型的微调往往会损失其原有的泛化能力，限制了其在不同场景下的适应性。本文引入了一种基于稀疏深度测量的非学习方法，用于将基础模型的相对尺度预测适配为实际尺度深度。该方法无需重新训练或微调，从而保留了原始基础模型的强大泛化能力，同时使其能够生成实际尺度的深度。实验结果表明，我们方法的有效性，凸显了其在不增加计算成本且不牺牲泛化能力的前提下，弥合相对深度与实际深度之间鸿沟的潜力。
引用
@article{arxiv.2507.14879,
title = {Region-aware Depth Scale Adaptation with Sparse Measurements},
author = {Rizhao Fan and Tianfang Ma and Zhigen Li and Ning An and Jian Cheng},
journal= {arXiv preprint arXiv:2507.14879},
year = {2025}
}