前沿论文解读

Depth Anything:单目深度的通用先验

Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data

Yang et al. · 2024 · arXiv:2401.10891

基础文献 · 不轮换
2024
它问的问题

单目图像能否给出足够好的相对深度,减少对激光雷达的依赖?

他们怎么做的

大规模无标签数据 + 蒸馏,训练一个鲁棒的相对深度模型。

证据

零样本深度估计在多个数据集上领先;细节保持较好。

别信太多

相对深度不等于绝对尺度;直接拿去测距,会得到“看起来很合理”的错误毫米数。

适用边界

尺度不确定;透明/反光/薄结构失败;不能替代标定与几何校核。

课堂任务

对同一场景比较单目深度与激光测距,报告尺度偏差与失效区域。

基础文献 = 这门方法的代表作,长期保留:它解释“这类方法为什么成立”,不会因为年份旧而被换掉。
原文 关联章节: 标签噪声:数据质量决定上限 代理模型:一次仿真换一万次预测 返回学习页