横扫16大榜单，最强开源单目深度估计算法来了，精度可以直接用于3D重建｜TPAMI 2024...

Metric3Dv2团队 投稿
量子位 | 公众号 QbitAI

单目深度估计新成果来了！

方法名为Metric3D v2，是CVPR单目深度估计挑战赛冠军方案Metric3D的加强版。

用一套模型参数，在未知环境中，同时解决带尺度深度估计和法向估计两个问题。

可用于生成真实世界的几何估计：

在密集场景和特殊样本上也有较好效果：

无需微调和优化，可直接用于无人机感知：

无需调整尺度参数，提供单帧3D点云，其精度可以直接用于3D重建：

可部分替代物理深度估计工具，用于增强自动驾驶场景的单目SLAM：

Metric3D v2在16个单目深度和法向估计基准榜单上拿下SOTA，涵盖绝对深度、相对深度和法向估计的域内和域外测试。

不做尺度对齐或微调，在KITTI上的单目深度估计相对误差可低至5%。

这项工作由来自香港科技大学、阿德莱德大学、西湖大学、英特尔、香港大学、浙江大学的研究人员共同打造，目前已被AI顶刊TPAMI接收。

单目深度估计受限于尺度二义性

单目深度估计技术在计算机视觉领域具有重要意义。这项技术能从单幅2D图像中推断出场景的3D结构，为众多应用提供了关键支持。

在传统领域，单目深度估计广泛应用于自动驾驶、机器人导航、增强现实等场景，帮助智能系统更好地理解和交互环境。

随着AIGC的兴起，单目深度估计在这一新兴领域也发挥着重要作用。它为3D场景生成、虚拟现实内容制作、图像编辑等任务提供了深度信息，大大提升了生成内容的真实感和沉浸感。

通过赋予AI系统对3D世界的理解能力，单目深度估计正在推动AIGC应用向更高维度发展。

但单目深度估计一直是一个“病态”问题，根本原因在于其受到尺度二义性的影响。

对单张图像而言，尺度二义性来自于两个方面：

其一是物体大小未知产生的二义性：

为解决这类问题，早期可泛化的深度估计模型如midas、leras等使用混合数据集训练深度估计网络，希望模型从大量数据集中学到各个物体在场景中的大小。

然而，不同数据集相机内参有很大差异，这种差异会引起第二种尺度二义性（有时又可视作透视畸变）：

同一个物体，使用不同相机在不同距离拍摄出的图像也大致可能相同（下图雕塑完全一致，但背景产生了畸变），因而对该物体的深度估计会受到影响.

早期的midas、leras等工作，提出估计相对深度来规避相机差异带来的尺度二义性。

近期基于stable-diffusion的工作如Marigold/Geowizard或基于数据标注的工作DepthAnything v1/v2能够恢复更高精细度的相对深度，却无法恢复尺度信息。

为恢复尺度信息，前人提出将预训练好的相对深度模型，在特定数据集上过拟合以学习尺度信息，如ZoeDepth。然而，该方法使得网络学到的深度分布受限于所finetune的数据集，因而尺度误差较大。

为缓解相机内参变化引起的尺度二义性，Metric3D提出在公共相机空间中学习绝对深度。该空间被定义为一个焦距固定的针孔相机模型空间。

由于网络不再受相机尺度二义性的影响，学习难度被大大降低了。

在符合透视投影几何的前提下，论文提出两种将数据从真实焦距转换到公共焦距的方法。

• 图像变换法（CSTM_image）：通过缩放图像改变焦距的方法。

• 标签变换法（CSTM_label）: 拉伸或压缩整个场景z轴深度的方法。

凭借公共相机空间的设计，Metric3D仅仅依靠卷积模型就在CVPR单目深度估计挑战赛上获得冠军。

△算法框架：无须微调的有尺度深度估计；无须大量额外人工稠密重建的法向学习。

单目法向估计受限于数据质量

深度图可以直接由RGB-D相机，激光雷达等测距传感器获得。

然而，法向图真值需要稠密重建点云的渲染，稠密重建本身需要大量工程和人工成本（如Omnidata）。同时，室外场景的法向数据尤其难以获得。

在Metric3D v2这项研究中，引入了一种联合深度-法线优化框架，利用大规模深度标注的知识，克服户外法线数据标签稀缺的问题。

在联合优化中，法向的知识来源有三：真实法向标注、迭代优化中深度和法向特征的前向交互 、稠密深度预测提供的伪法向标注

具体来说算法流程为：

• 真实世界->公共空间：将图像和深度标签从真实世界转换到公共空间，使得图像和深度图满足公共空间焦距的透视投影关系。

• 公共空间中估计几何：网络在公共空间预测初始深度图和法向图，并通过raft风格的迭代优化输出最终深度图和法向图。训练过程中，使用公共空间的深度图真值监督深度估计。

• 公共空间->真实世界：将估计的深度图转回到真实世界，使之满足实际投影关系。训练时，当法向标注不可得时，使用预测出的深度图求梯度得到伪法向真值，以提供弱监督。

为增强模型鲁棒性，Metric3D v2在16个公开数据集共计16M张图像上进行训练。这些数据集由超过10000种相机内参采集，涵盖室内、室外、自动驾驶等多种场景。

然而，其所需的数据量仍远远小于训练DepthAnything v1/v2所需的62M。

Metric3D v2实验结果

常规有尺度深度和法相估计的基准测试，Metric3D v2超越DepthAnything和OmniData（v2）：

相对深度估计基准测试，量化指标优于最近在CVPR2024大放异彩的Marigold：

再来看定量比较。

1、多场景深度与法向估计

尽管Metric3D v2是判别式模型，但在一些场景下，其细粒度也可以和基于生成模型的Marigold平分秋色。

同时，由网络预测出的法向图比深度直接转换所得的更加平滑。

对比其它基线方法ZoeDepth和OmniData（v2），Metric3D v2能给出更高细粒度的带尺度深度和法向。

2、单目场景三维重建

即使像Marigold、DepthAnything v2这样的高精度相对深度模型，也需要在特定数据上拟合、或手动挑选出一组合适的仿射参数后，才能得到三维点云。

3、单帧直接测距

Metric3Dv2模型具有更高精度的测距功能：

总的来说，Metric3D v2是一种用于零样本单目有尺度深度和表面法线估计的几何基础模型。

论文针对真实尺度下几何估计中的各种挑战，分别提出了解决方案。Metric3Dv2框架整合超过10000台相机捕捉的上千万数据样本，训练一个统一的有尺度深度和表面法向模型。

零样本评估实验展示了方法的有效性和鲁棒性。对于下游应用，Metric3Dv2能够从单一视角重建有尺度的三维结构，实现对随机采集的互联网图像的测距和单帧稠密建图。

凭借其精度、泛化能力和多功能性，Metric3D v2 模型可作为单目几何感知的基础模型。

在线试用: 

https://huggingface.co/spaces/JUGGHM/Metric3D

论文链接：https://arxiv.org/abs/2404.15506.pdf
项目主页：https://jugghm.github.io/Metric3Dv2
代码仓库：https://github.com/YvanYin/Metric3D