SharpDepth：基于扩散蒸馏锐化度量深度预测

我们提出SharpDepth，一种新的单目度量深度估计方法，将度量精度的判别深度估计方法（如Metric3D、UniDepth）与生成方法（如Marigold、Lotus）通常实现的细粒度边界锐度相结合。传统判别模型在具有稀疏真实深度的真实世界数据上进行训练，能够准确预测度量深度，但常产生过平滑或细节不足的深度图。相比，生成模型在稠密真实深度的合成数据上进行训练，生成具有锐利边界的深度图，但仅提供低精度的相对深度。我们的 метод通过整合度量精度与细节边界保持，实现既度量精确又视觉锐利的深度预测。我们在标准深度估计基准上进行了广泛的零样本评估，确认了SharpDepth的有效性，证明其能够实现高深度精度和细节表征，适用于需要高质量深度感知的应用，覆盖多样化的真实世界环境。