Estimasi Kedalaman Monokuler
Estimasi kedalaman monokuler memprediksi seberapa jauh setiap piksel dari satu foto biasa — tidak memerlukan kamera stereo, lidar, atau sensor kedalaman.
Ikhtisar
It lets one camera perceive 3D structure from a flat 2D image.
Menyelam Lebih Dalam
Manusia dapat menilai kedalaman dari satu mata menggunakan petunjuk seperti perspektif, ukuran relatif, gradien tekstur, bayangan, dan oklusi. Estimasi kedalaman monokuler mengajarkan jaringan saraf trik yang sama: memasukkan satu gambar RGB dan menghasilkan nilai kedalaman untuk setiap piksel. Karena gambar 2D pada dasarnya bersifat ambigu mengenai skala absolut, tugasnya menjadi sulit — banyak adegan 3D dapat diproyeksikan ke gambar yang sama. Jaringan mempelajari prioritas statistik dari kumpulan data besar untuk mengatasi masalah ini. Pelatihan hadir dalam dua bentuk: diawasi, menggunakan kedalaman kebenaran dasar dari sensor lidar atau RGB-D, dan diawasi sendiri, yang mempelajari kedalaman murni dari pasangan video atau stereo dengan memastikan bahwa kedalaman yang diprediksi memproyeksikan ulang satu tampilan ke tampilan lainnya dengan benar. Model fondasi terbaru seperti MiDaS dan Depth Anything dapat digeneralisasikan secara luar biasa pada adegan-adegan yang tidak terlihat.
Wawasan Teknis
Metode yang diawasi sendiri mengeksploitasi geometri, bukan label. Dengan adanya dua tampilan (bingkai video stereo atau berturut-turut) dan peta kedalaman yang diprediksi ditambah gerakan kamera, model membengkokkan satu gambar untuk merekonstruksi gambar lainnya; kesalahan rekonstruksi tingkat piksel menjadi sinyal pelatihan. Hilangnya 'sintesis tampilan' ini berarti kedalaman dapat dipelajari dari video mentah dan tidak berlabel. Keterbatasan utamanya adalah ambiguitas skala: kedalaman monokuler seringkali hanya tepat hingga pengali yang tidak diketahui kecuali dikalibrasi terhadap referensi yang diketahui atau pengawasan metrik.
Dampak Strategis
Kecepatan dan skala
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
Build choices
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
Team and workflow
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Masa Depan Estimasi Kedalaman Monokuler
Model dasar kedalaman generalis yang dilatih pada jutaan gambar campuran berupaya mencapai kedalaman metrik (skala sebenarnya) yang andal dalam pemandangan apa pun, bahkan yang belum pernah terlihat dalam pelatihan. Harapkan perpaduan yang lebih erat dengan aliran optik dan SLAM untuk rekonstruksi pemandangan 3D penuh, model lebih ringan yang dijalankan langsung di ponsel dan headset, dan ketahanan zero-shot yang lebih kuat. Hal ini akan membuat persepsi spasial yang kaya menjadi murah dan ada di mana-mana, tersedia dari kamera mana pun dibandingkan dengan peralatan penginderaan kedalaman yang mahal.
Implementasi Dunia Nyata
Mode potret ponsel cerdas yang menyimulasikan keburaman latar belakang (bokeh) dengan memperkirakan jarak subjek versus latar belakang
Aplikasi augmented reality menempatkan objek virtual sehingga ditempatkan tepat di belakang furnitur dunia nyata
Drone dan robot berbiaya rendah menghindari rintangan menggunakan satu kamera yang menghadap ke depan
Mengubah foto dan film 2D menjadi 3D dengan menyimpulkan kedalaman per piksel untuk tampilan stereoskopis
Risiko & Pagar Pembatas
Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.
Peta Jalan Implementasi
Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Terus Menjelajah
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Monocular Depth Estimation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Estimasi Kedalaman Stereo
Pertanyaan yang sering diajukan
What is Monocular Depth Estimation?
Estimasi kedalaman monokuler memprediksi seberapa jauh setiap piksel dari satu foto biasa — tidak diperlukan kamera stereo, lidar, atau sensor kedalaman. Ini memungkinkan satu kamera melihat struktur 3D dari gambar 2D datar.
Apa yang membuat estimasi kedalaman menjadi 'bermata'?
'Bermata' berarti satu mata/kamera; metode ini memprediksi kedalaman dari satu gambar RGB tanpa stereo atau sensor kedalaman aktif.
Mengapa estimasi kedalaman monokuler pada dasarnya ambigu?
Proyeksi 2D tunggal kehilangan informasi skala, sehingga beberapa pengaturan 3D konsisten dengan satu gambar; jaringan mengandalkan pembelajaran sebelumnya untuk membedakannya.
Bagaimana metode pengawasan mandiri mempelajari kedalaman tanpa label kebenaran dasar?
Dengan menggunakan prediksi kedalaman dan gerakan kamera, model memproyeksikan ulang satu gambar ke gambar lainnya; kesalahan fotometrik memberikan sinyal pembelajaran, tidak diperlukan label.
Isyarat manakah yang TIDAK diandalkan secara langsung oleh jaringan monokuler untuk kedalaman?
Disparitas stereo memerlukan dua kamera; metode bermata mengandalkan isyarat gambar tunggal seperti ukuran, perspektif, tekstur, dan oklusi.
Apa yang dimaksud dengan 'ambiguitas skala' dalam kedalaman monokuler?
Tanpa pengawasan metrik atau referensi yang diketahui, kedalaman monokuler memberikan struktur relatif yang benar tetapi skala absolutnya tidak pasti.