SeeClear：基于生成式不透明化的可靠透明物体深度估计
计算机视觉与模式识别
2026-03-23 v1
摘要
单目深度估计在透明物体上仍然具有挑战性，其中折射和透射难以建模，破坏了深度网络所依赖的外观假设。因此，领先的估计器常常对透明材料产生不稳定或错误的深度预测。我们提出SeeClear，一种新型框架，将透明物体转换为生成式不透明图像，从而实现对透明物体的稳定单目深度估计。给定输入图像，我们首先局部分析透明区域，并通过基于扩散的生成式不透明化模块将其折射外观转换为几何一致的不透明形状。处理后的图像随后输入到无需重新训练或架构修改的现有单目深度估计器中。为训练不透明化模型，我们构建了包含396k对透明-不透明渲染数据的SeeClear-396k数据集。在合成和真实世界数据集上的实验表明，SeeClear显著提高了对透明物体的深度估计。项目页面：https://heyumeng.com/SeeClear-web/
引用
@article{arxiv.2603.19547,
title = {SeeClear: Reliable Transparent Object Depth Estimation via Generative Opacification},
author = {Xiaoying Wang and Yumeng He and Jingkai Shi and Jiayin Lu and Yin Yang and Ying Jiang and Chenfanfu Jiang},
journal= {arXiv preprint arXiv:2603.19547},
year = {2026}
}
备注
Project page: https://heyumeng.com/SeeClear-web/. 19 pages, 12 figures