Tree-Mamba：面向水下单目深度估计的树结构感知 Mamba
计算机视觉与模式识别
2025-07-11 v1
摘要
水下单目深度估计（UMDE）是一项关键任务，旨�从受海洋环境光吸收和散射效应导致的退化图像中估计高精度深度图。最近，基于 Mamba 的方法在 various vision 任务中取得了令人振奋的性能；然而，它们在 UMDE 任务上难以胜任，因为其灵活的状态扫描策略未能有效地建模水下图像的结构特征。与此同时，现有的 UMDE 数据集通常包含不可靠的深度标签，导致水下图像与其对应深度图之间出现错误的对象深度关系。为克服这些限制，我们开发了一种 novel 的树结构感知 Mamba 方法，称为 Tree-Mamba，用于从水下退化图像中估计准确的单目深度图。具体而言，我们提出了一种树结构感知扫描策略，通过特征相似性自适应构建最小生成树。随后，通过自下而上和自上而下的遍历，对树节点之间的空间拓扑特征进行灵活的聚合，从而实现更强的多尺度特征表示能力。此外，我们构建了一个水下深度估计基准数据集（称为 BlueDepth），包含 38,162 对水下图像对，具有可靠的深度标签。该基准数据集为训练现有的深度学习-based UMDE 方法学习准确的对象深度关系提供了基础。广泛的实验表明，Tree-Mamba 在定性结果和定量评估方面均优于several leading methods，并在计算效率方面具有竞争力。代码和数据集将在 https://wyjgr.github.io/Tree-Mamba.html 提供。
引用
@article{arxiv.2507.07687,
title = {Tree-Mamba: A Tree-Aware Mamba for Underwater Monocular Depth Estimation},
author = {Peixian Zhuang and Yijian Wang and Zhenqi Fu and Hongliang Zhang and Sam Kwong and Chongyi Li},
journal= {arXiv preprint arXiv:2507.07687},
year = {2025}
}