WEDepth：面向单目深度估计的世界知识高效适配
计算机视觉与模式识别
2025-11-12 v1
摘要
单目深度估计（Monocular Depth Estimation, MDE）具有广泛应用前景，但因从单一2D图像重建3D场景本质具有高度难解性，仍备受挑战。现代视觉基础模型（Vision Foundation Models, VFMs）在大规模多样数据集上预训练，展现出卓越的世界理解能力，能从各类视觉任务中受益。最近的研究表明，通过微调这些VFMs可显著提升MDE性能。鼓舞人心的是，这一趋势促使我们提出WEDepth，一种 novel 方法，旨在不修改其结构和预训练权重的前提下适配VFMs用于MDE，同时有效地激发和利用其内在先验知识。我们的方法将VFM作为多层特征增强器，系统性地在不同表示层级注入先验知识。实验在NYU-Depth v2和KITTI数据集上进行，结果表明WEDepth建立了新的最先进（SOTA）性能，实现了对比多次前向传播的扩散方法（需要多次前向传播）和基于相对深度的方法的竞争性结果。此外，我们展示了该方法在各类场景中具有强大的零样本迁移能力。
引用
@article{arxiv.2511.08036,
title = {WEDepth: Efficient Adaptation of World Knowledge for Monocular Depth Estimation},
author = {Gongshu Wang and Zhirui Wang and Kan Yang},
journal= {arXiv preprint arXiv:2511.08036},
year = {2025}
}