单目深度估计的视觉自回归建模
计算机视觉与模式识别
2025-12-30 v1
摘要
我们提出一种基于视觉自回归(VAR)先验的单目深度估计方法，为扩散基于方法提供一种替代方案。我们的 метод 将大规模文本到图像VAR模型进行适配，并引入尺度级条件上采样机制配合无分类器指导。我们的 方法 在十个固定的自回归阶段内完成推理，仅需74K合成样本进行微调，即可达到具竞争力的性能。我们报告在受限训练条件下的室内基准实现最新成果，在应用到户外数据集时表现出色。本工作表明，自回归先验可作为几何感知生成模型的另一家族，用于深度估计，凸显了数据可扩展性以及对3D视觉任务的适应性优势。代码地址为"https://github.com/AmirMaEl/VAR-Depth"。
引用
@article{arxiv.2512.22653,
title = {Visual Autoregressive Modelling for Monocular Depth Estimation},
author = {Amir El-Ghoussani and André Kaup and Nassir Navab and Gustavo Carneiro and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2512.22653},
year = {2025}
}