單眼深度估計

單眼深度估計（monocular depth estimation）從單張照片預測完整的深度圖——沒有第二個視角、沒有立體基線、沒有運動。這很驚人，因為嚴格說來它在幾何上是不可能的：單張二維影像與無限多個三維場景相容（一個近處的小物體與一個遠處的大物體可以投影出完全相同的像素）。然而人類瞥一眼一張照片就能立刻感知何者近、何者遠。我們靠的是學到的先驗——我們知道天空很遠、人臉有一定大小、平行的鐵軌會交會，而紋理隨距離變得更細。單眼深度網路正是從資料中學會這些先驗。

因為幾何本質上是歧義的，誠實的輸出通常不是度量的。單張影像無法固定整體尺度（小物體對大物體的歧義），所以最好的通用模型預測相對深度，或更精確地說，尺度與位移不變的深度：距離的次序與比例是正確的，但要換成公尺需要一個未知的乘法與加法。以這種方式訓練的模型（MiDaS、DPT）能在相機與場景間出奇地泛化，正是因為它們迴避了絕對尺度。度量單眼深度（ZoeDepth、Metric3D）較困難，通常需要相機內參或特定領域的訓練來錨定尺度。

現代的工具箱深厚且由學習驅動。早期方法是在 RGB-D 資料集上訓練的 CNN 編碼器—解碼器；隨著轉換器骨幹（DPT 使用 Vision Transformer）以及在巨量混合資料集上訓練，這個領域躍進。Depth Anything 把這個構想規模化，在數百萬張有標註與偽標註的影像上訓練，產生一個用於相對深度的穩健基礎模型。一條更新的路線把深度當成生成問題：像 Marigold 這類以擴散模型為基礎的估計器，把預訓練的影像擴散模型改用來「去噪」一張深度圖，繼承了強大的場景先驗，並能用極少的深度訓練資料產生銳利、細緻的結果。

單眼深度如今無所不在，因為它只需要一台普通相機：手機人像模式的背景模糊、AR 物件擺放、影像轉三維與新視角合成的流程、立體視覺不切實際的機器人應用，以及作為初始化或正規化 NeRF 與高斯潑濺重建的先驗。它的限制正是它的前提——沒有幾何證據，它在不熟悉的場景、反光或透明表面，以及任何違反所學大小與布局先驗的事物上，可能會自信地出錯。