StarryGazer：利用单目深度估计模型进行领域无关的单深度图像补全
计算机视觉与模式识别
2025-12-16 v1
摘要
深度补全问题涉及从单个稀疏深度图和RGB图像预测密集深度图像。已为各种数据集提出了无监督深度补全方法，在这些数据集中真实深度数据不可用且无法应用监督方法。然而，这些模型需要辅助数据来估计深度值，这与真实场景相去甚远。单目深度估计（MDE）模型可以从单张图像生成合理的相对深度图，但尚无工作将稀疏深度图与MDE正确结合用于深度补全；对深度图的简单仿射变换会产生高误差，因为MDE在估计物体之间的深度差异时不准确。我们引入StarryGazer，一个领域无关的框架，通过利用大型MDE模型的能力，从单个稀疏深度图像和RGB图像预测密集深度图像，而不依赖真实深度。首先，我们使用预训练的MDE模型生成相对深度图像。这些图像被分割并随机缩放，形成密集伪真实值和对应稀疏深度的合成对。使用这些合成对训练了一个细化网络，结合相对深度图和RGB图像以提高模型的准确性和鲁棒性。StarryGazer在各种数据集上优于现有的无监督方法和转换后的MDE结果，证明我们的框架利用了MDE模型的能力，同时恰当地利用稀疏深度信息修正误差。
引用
@article{arxiv.2512.13147,
title = {StarryGazer: Leveraging Monocular Depth Estimation Models for Domain-Agnostic Single Depth Image Completion},
author = {Sangmin Hong and Suyoung Lee and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2512.13147},
year = {2025}
}
备注
11 pages