Tag · 21 篇
单目深度估计
UniDAC：面向任意相机的通用度量深度估计
UniDAC: Universal Metric Depth Estimation for Any Camera
把度量深度解耦为相对深度预测加空间变化的尺度估计，并用相对深度引导的轻量模块把粗尺度图上采样到高分辨率，这一思路可直接迁移到鱼眼、全景等大视场相机的深度模型；RoPE-φ 的纬度感知加权位置编码也为 ERP 畸变建模提供了可复用的做法。
度量深度的点石成金
The Midas Touch for Metric Depth
把现成的相对深度预测结果用极稀疏的 3D 点（如 LiDAR 稀疏点、SfM 点）提升为度量深度，分段稀疏图优化加不连续感知测地代价的像素级细化，可直接作为后处理模块接在任意单目深度模型后面，用于需要真实尺度的下游 3D 任务。
TR2M：借助语言描述与双层尺度导向对比将单目相对深度迁移为度量深度
TR2M: Transferring Monocular Relative Depth to Metric Depth with Language Descriptions and Dual-Level Scale-Oriented Contrast
把相对深度经文本+图像双模态条件、以像素级重缩放图映射到度量深度，并用深度分布引导的双层对比学习约束尺度，可作为跨域深度尺度对齐与伪度量标签构建的可复用范式。
通过动态特征归一化稳定流式视频几何
Stabilizing Streaming Video Geometry via Dynamic Feature Normalization
DyFN 通过动态调制潜变量特征的统计量（均值和方差）来稳定单目几何基础模型在流式输入下的尺度漂移，仅微调 2% 参数即可复用现有强模型，为视频深度估计和在线三维重建提供了一种轻量、因果的时序一致性方案。
雷达引导的多项式拟合用于度量深度估计
Radar-Guided Polynomial Fitting for Metric Depth Estimation
对做单目深度估计的人，这篇给出一个轻量后处理思路：用廉价雷达预测多项式系数，把无尺度 MDE 输出非均匀地映射到度量深度，并用一阶导数正则保证局部单调，可直接替换常见的线性 scale-shift 对齐。
PTC-Depth：具有时序一致性的位姿精化单目深度估计
PTC-Depth: Pose-Refined Monocular Depth Estimation with Temporal Consistency
利用轮式里程计和光流三角化得到的稀疏深度，对预训练深度基础模型的相对深度做递归贝叶斯尺度校正，为视觉研究者提供了一种在连续帧间保持深度时序一致性的轻量级后处理框架。
OpenVO：具备时序动态感知的开放世界视觉里程计
OpenVO: Open-World Visual Odometry with Temporal Dynamics Awareness
把观测频率作为显式条件编码进两帧位姿回归，并借助基础模型的3D几何先验，使单目视觉里程计在未知帧率与未标定相机下仍能输出真实尺度轨迹；做行车记录仪或任意变帧率视频的轨迹提取、3D重建时可直接复用这一设定。
OccuFly：航空视角下语义场景补全的3D视觉基准
OccuFly: A 3D Vision Benchmark for Semantic Scene Completion from the Aerial Perspective
提供了首个真实世界、基于相机的航空视角语义场景补全基准，并揭示了当前视觉基础模型在航空场景下的根本性局限，为鲁棒3D场景理解研究提供了新挑战和评测平台。
MetricHMSR：从单目图像恢复度量尺度的人体网格与场景
MetricHMSR: Metric Human Mesh and Scene Recovery from Monocular Images
把相机光线（内参+边界框）编码进网络，并用 Human MoE 将图像特征与光线特征路由到不同专家，从而在单一框架里同时回归人体局部姿态与全局度量 3D 位置；对做单目人体重建、人体-场景联合重建、以及需要把 2D 检测框升级为度量 3D 定位的工作可直接复用。
MD2E：面向单目度量深度估计的深度到边缘线索建模
MD2E: Modeling Depth-to-Edge Cues for Monocular Metric Depth Estimation
用预测边缘图的傅里叶频谱分位数作为度量尺度的代理，可在无相机内参时把相对深度校准成度量深度；边缘预测同时作为边界正则项，这一「深度→边缘」线索建模思路可迁移到其他需要尺度恢复的单目几何任务。
Iris：将语言融入基于扩散的单目深度估计
Iris: Integrating Language into Diffusion-based Monocular Depth Estimation
把文本描述作为额外条件注入扩散式单目深度估计器（Marigold、Lotus、E2E-FT），可缩小深度解空间、提升小区域精度，并支持通过追加场景描述迭代细化深度；同时文本条件能加速训练收敛与推理扩散轨迹，是一种可直接复用的条件化与加速手段。
Iris：将真实世界先验引入扩散模型用于单目深度估计
Iris: Bringing Real-World Priors into Diffusion Model for Monocular Depth Estimation
把扩散模型的生成先验按频段拆开使用：低频用真实数据蒸馏、高频用合成真值约束，并通过高到低的时间步调度共享权重，这套「先验-几何」两阶段确定性采样思路可直接迁移到其他以扩散先验做稠密回归的视觉任务（如表面法向、光流）。
InfiniDepth：基于神经隐式场的任意分辨率与细粒度深度估计
InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields
把深度表示为神经隐式场、用局部隐式解码器在连续 2D 坐标上查询，可让任意分辨率的深度输出与细节恢复摆脱离散网格限制；这一表示可直接用于大视角变化下的新视角合成，减少空洞与伪影。
基于深度完整性先验与细粒度图像块策略的高精度二值图像分割
High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy
把单目深度估计模型输出的伪深度当作「完整性先验」注入分割网络，用深度一致性损失约束分割结果，并用自适应图像块选择精修边界——这套思路可直接迁移到高分辨率抠图、显著目标检测等需要锐利边界的密集预测任务，且无需扩散模型即可逼近其精度。
FE2E：从编辑器到密集几何估计器
FE2E: From Editor to Dense Geometry Estimator
将预训练的图像编辑模型（DiT 架构）微调为密集几何预测器，利用其固有结构先验，并通过一致速度训练目标和对数量化解决精度冲突，为单目深度/法线估计提供新范式。
使用通用三维先验的动态视觉SLAM
Dynamic Visual SLAM using a General 3D Prior
把前馈重建模型的深度预测与 patch-based 在线 bundle adjustment 对齐，用其尺度消歧能力解决动态场景下单目 SLAM 的位姿漂移，可作为动态环境下 SLAM 前端过滤与深度先验融合的可复用范式。
深度假设引导的迭代细化用于事件-图像单目深度估计
Depth Hypothesis Guided Iterative Refinement for Event-Image Monocular Depth Estimation
把连续深度回归转成基于离散深度假设体积的约束搜索，并用轻量多尺度相关代价体积做全局到局部的迭代残差细化，这一思路可直接迁移到其他病态回归任务（如光流、法向、表面重建）以及事件-图像融合的稠密预测中。
超越外观：基于几何结构的伪装目标检测
Beyond Appearance: Camouflaged Object Detection via Geometric Structure
把单目深度估计模型通过稀疏混合专家适配器迁移到伪装目标检测，并用几何-语义融合模块把深度几何线索注入分割特征，为「深度先验跨任务迁移」提供了一个可复用的适配与融合范式。
任意分辨率任意几何：从多视图到多图像块
Any Resolution Any Geometry: From Multi-View To Multi-Patch
把高分辨率单张图切成多个图像块、用跨块注意力在共享骨干里做长程几何推理，是解决高分辨率几何估计中「局部细节 vs 全局一致」矛盾的通用手段；GridMix 训练期随机网格采样也可直接迁移到其他分块推理任务以提升块间一致性。
AdaSFormer：面向室内环境单目语义场景补全的自适应序列化 Transformer
AdaSFormer: Adaptive Serialized Transformers for Monocular Semantic Scene Completion from Indoor Environments
面向室内单目语义场景补全，用可学习偏移的自适应序列化 Transformer 动态调整感受野，并用中心相对位置编码与卷积调制 LayerNorm 融合卷积与 Transformer 特征，可直接迁移到其他需要从单张图恢复稠密三维语义的室内重建任务。
AIMDepth：面向单目深度估计的非对称图像-事件 Mamba
AIMDepth: Asymmetric Image-Event Mamba for Monocular Depth Estimation
把 Mamba/状态空间模型引入图像-事件跨模态融合，用线性复杂度做长序列深度估计；其「输入级先验注入 + 非对称双编码器 + 特征级对齐」的三段式融合流程，可直接迁移到其他稀疏-稠密模态配对（如 LiDAR-相机、事件-帧）的融合任务。