1.浙江大学港湾

深度感知，即让机器拥有「三维视觉」，是当今计算机科学和机器人领域的基石它赋予了自动驾驶系统判断安全距离的能力，让AR/VR头显能准确感知物理空间，也为工业自动化提供了精准操作的保障尽管单目深度估计（MDE）模型取得了重大进展，能够进行完整和详细的深度预测，但预测的深度是相对的，缺乏精确的度量信息。

2.浙大港大

另一方面，深度测量技术，如运动结构（SfM）或深度传感器，提供了精确但往往不完整和粗略的度量信息。

Depth Anything再出新作！浙大插图

3.浙江大学香港

浙江大学和香港大学的研究团队提出了一个创新框架Prior Depth Anything，融合了深度测量中精确但不完整的度量信息与深度预测中相对但完整的几何结构。

Depth Anything再出新作！浙大插图1

4.浙江大学港澳台办公室

论文链接：https://arxiv.org/pdf/2505.10565项目链接：https://github.com/SpatialVision/Prior-Depth-AnythingPrior Depth Anything提出逐步整合来自度量测量（准确度量）和相对预测（完整性和精细细节）的补充信息，以生成密集和细粒度的度量深度图。

5.浙江大学港湾29幢怎么样

该方法通过粗到细的流程，先用像素级度量对齐将深度预测与先验融合，再利用条件化单目深度估计模型（conditioned-MDE）优化结果模型在7个真实数据集上实现了出色的零样本迁移，可处理深度补全、超分辨率和修复任务，甚至能应对混合先验情况，并支持测试时切换预测模型，提供灵活的精度-效率权衡。

6.浙江大学港理工

得益于对不同形式深度图的适应能力，Prior Depth Anything还能直接用于优化VGGT的输出，无需任何训练即可提升VGGT输出的精度。

Depth Anything再出新作！浙大插图2

7.pat浙江大学

通过对不同模型的输出进行了定性比较，Prior Depth Anything始终优于以前的方法，提供了更丰富的细节、更清晰的边界和更准确的指标现有的方法主要集中在特定的、有限的先验，限制了它们在现实场景的使用。

8.uad浙大

而Prior Depth Anything则对任意形式的深度先验都有令人印象深刻的鲁棒性通过对不同模型的输出进行了定性比较，Prior Depth Anything始终优于以前的方法，提供了更丰富的细节、更清晰的边界和更准确的指标。

Depth Anything再出新作！浙大插图3

9.浙江大学 香港大学 联合办学

Prior Depth Anything给定一张RGB图像

Depth Anything再出新作！浙大插图4

10.flanker 浙大

及其对应的度量深度先验

Depth Anything再出新作！浙大插图5

，基于先验的单目深度估计以I和D_prior作为输入，旨在输出详细、完整且度量精确的深度图

Depth Anything再出新作！浙大插图6

如前文所述，通过不同测量技术得到的深度先验通常会显示各种形式的不完整性。为了用一个统一框架处理各种先验，该方法将D_prior中有效位置坐标统一表示为

Depth Anything再出新作！浙大插图7

，其中N代表有效深度值的个数。

Depth Anything再出新作！浙大插图8

粗度量对齐如图所示，不同类型的深度先验呈现出不同的缺失模式（例如稀疏点、低分辨率网格或不规则孔洞）这种稀疏性和不完整性的差异限制了模型对各种先验的泛化能力为了解决这个问题，该方法提出预填充缺失区域，将所有先验转换为一个共享的中间域，从而减小它们之间的差距。

然而，以往方法中使用的基于插值的填充保留了像素级度量信息，但忽略了几何结构，导致填充区域出现显著误差另一方面，全局对齐通过缩放相对深度预测来匹配先验，它保持了预测的精细结构，但丢失了关键的像素度量细节为了解决这些挑战，该方法提出了像素级度量对齐，它在像素层面将几何预测与度量先验对齐，从而同时保留预测的结构和原始的度量信息。

细结构精炼尽管预填充的粗略密集深度在度量上通常是准确的，但这种无参数方法对深度先验中的噪声很敏感一个位于模糊边缘上的噪声像素就可能扰乱所有依赖其作为支撑点的填充区域为了解决这些误差，该方法进一步隐式利用MDE模型捕捉RGB图像中精确几何结构的能力，学习纠正先验中的噪声并生成细化的深度图。

度量条件具体来说，该方法将预填充先验D_prior作为额外条件结合到预训练的MDE模型中在RGB图像的指导下，训练条件化的MDE模型用于纠正D_prior中潜在噪声和错误为此，该方法引入一个与RGB输入层平行的条件卷积层，如图2-2所示。

通过将条件层初始化为零，模型可以自然地继承预训练MDE模型的能力几何条件除了利用MDE模型从RGB输入中捕捉几何结构的固有能力外，该方法还结合了现有的深度预测作为外部几何条件，以帮助细化粗略的预填充先验。

从冻结的MDE模型获得的深度预测D_pred也通过零初始化的卷积层传递到条件MDE模型中实验结果在表 2中定量评估了模型处理具有挑战性的未知混合先验的能力就绝对性能而言，Prior Depth Anything的所有版本都优于对比基线。

更重要的是，其受新模式深度先验的影响较小

Depth Anything再出新作！浙大插图9

例如，与表 3中仅使用稀疏点的设置相比，添加缺失区域或低分辨率只导致了轻微的性能下降（1.96→2.01，在

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。