深度估計

深度估計（depth estimation）的任務是為每個像素指定一個距離：在該像素看到的表面離相機多遠。自然的輸出是深度圖（depth map），一張其值為公尺（或某種一致單位）而非顏色的影像。深度是平面照片丟棄的那缺失的第三維，而回復它是通往三維視覺幾乎一切的門戶——重建、機器人導航、擴增實境的遮蔽、自動駕駛與三維攝影，全都建立在它之上。

方法大致分兩大家族。主動式感測在物理上量測深度：光達（LiDAR）發射雷射脈衝並計時其返回；飛時相機（time-of-flight）用調變光做同樣的事；結構光感測器（如初代 Kinect）投射一個已知圖案並讀取其變形。這些直接給出度量深度，但耗電、需硬體，且常在戶外或在光亮／深色表面上吃力。被動式感測從一般影像推論深度：立體視覺由兩視角的視差、多視角立體由眾多視角的光度一致性、單眼深度則由單一影像配合「世界看起來如何」的學習式先驗。

有一個關鍵區分貫穿所有方法：度量深度與相對深度。度量深度給出以公尺為單位的真實距離，需要已校正的感測器、已知的基線，或某種絕對參考。相對（或仿射不變）深度只給出次序與比例——這個像素是那個的兩倍遠——這也是單一未校正影像因尺度不確定性所能誠實提供的全部。許多現代學習式模型正是預測相對或「尺度與位移不變」的深度，因為這樣才能跨相機與場景泛化；要回復度量尺度則需額外資訊。

當前最先進的做法把幾何與學習混用。在有多視角之處，經典立體與多視角立體給出強健的幾何深度；學習式模型（相對深度的 MiDaS 與 DPT、在巨量混合資料集上訓練的 Depth Anything、度量單眼的 Metric3D 與 ZoeDepth，以及像 Marigold 這類以擴散模型為基礎的估計器）即使只從單一影格也能提供出奇穩健的深度。實務上，系統會融合它們：可靠處用幾何，以學習式先驗填補遮蔽、無紋理區域與本質上歧義的單眼情形。