Monokulär djupuppskattning
Monokulär djupuppskattning förutsäger hur långt borta varje pixel är från ett enda vanligt foto - ingen stereokamera, lidar eller djupsensor krävs.
Översikt
It lets one camera perceive 3D structure from a flat 2D image.
Djupdykning
Människor kan bedöma djup från ett öga med hjälp av ledtrådar som perspektiv, relativ storlek, texturgradienter, skuggning och ocklusion. Monokulär djupuppskattning lär neurala nätverk samma knep: mata in en enda RGB-bild och mata ut ett djupvärde för varje pixel. Eftersom en 2D-bild i sig är tvetydig vad gäller absolut skala, är uppgiften svår – många 3D-scener kan projicera till samma bild. Nätverk lär sig statistiska prioriteringar från stora datamängder för att lösa detta. Träning finns i två varianter: övervakad, med hjälp av grundsannningsdjup från lidar- eller RGB-D-sensorer, och självövervakad, som lär sig djup enbart från video- eller stereopar genom att framtvinga att det förutsagda djupet korrekt omprojekterar en vy till en annan. Nya grundmodeller som MiDaS och Depth Anything generaliserar anmärkningsvärt över osynliga scener.
Teknisk insikt
Självövervakade metoder utnyttjar geometri istället för etiketter. Med tanke på två vyer (stereo eller på varandra följande videorutor) och en förutspådd djupkarta plus kamerarörelse, förvränger modellen en bild för att rekonstruera den andra; rekonstruktionsfelet på pixelnivå blir träningssignalen. Denna "view-synthesis"-förlust innebär att man kan lära sig djup från rå, omärkt video. En viktig begränsning är mångtydighet i skalan: monokulärt djup är ofta bara korrekt upp till en okänd multiplikator om det inte kalibreras mot en känd referens eller metrisk övervakning.
Strategisk inverkan
Speed and scale
Visual AI kan automatisera inspektion, upptäckt och taggningsuppgifter i stor skala.
Build choices
Kreativa team kan prototypa koncept snabbare med färre manuella revisioner.
Team and workflow
Operationer kan använda bild- och videosignaler som tidigare var svåra att bearbeta.
Framtiden för monokulär djupuppskattning
Generalistiska djupgrundsmodeller som tränats på miljontals blandade bilder driver mot tillförlitligt, metriskt (verklig skala) djup i vilken scen som helst, även sådana som aldrig setts under träning. Förvänta dig tätare sammansmältning med optiskt flöde och SLAM för fullständig 3D-scenrekonstruktion, lättare modeller som körs live på telefoner och headset och starkare robusthet med noll skott. Detta kommer att göra rik rumsuppfattning billig och allmänt förekommande, tillgänglig från vilken kamera som helst snarare än dyra djupavkännande riggar.
Real-World Implementation
Smartphone-porträttläge simulerar bakgrundsoskärpa (bokeh) genom att uppskatta avståndet mellan motiv och bakgrund
Augmented reality-appar placerar virtuella objekt så att de sitter korrekt bakom verkliga möbler
Drönare och billiga robotar undviker hinder med en enda framåtvänd kamera
Konvertera 2D-foton och filmer till 3D genom att sluta sig till per-pixeldjup för stereoskopisk visning
Risker & skyddsräcken
Bildrättigheter och samtycke kan bli juridiska risker om härkomst är oklart.
Modellens prestanda kan variera mellan belysning, demografi och miljöer.
Falska positiva resultat kan gå obemärkt förbi om inte konfidensgränser övervakas.
Färdplan för genomförande
Definiera acceptanskriterier för precision, återkallelse och felkostnader.
Testa med data som matchar verkliga produktionsförhållanden.
Lägg till mänsklig granskning för lågt förtroende eller förutsägelser med stor inverkan.
Spåra modelldrift och återvalidera efter ändringar av kamera eller datauppsättning.
Fortsätt utforska
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
Stereo djupuppskattning
Frequently asked questions
What is Monocular Depth Estimation?
Monokulär djupuppskattning förutsäger hur långt borta varje pixel är från ett enda vanligt foto - ingen stereokamera, lidar eller djupsensor krävs. Den låter en kamera uppfatta 3D-struktur från en platt 2D-bild.
Vad gör djupuppskattning "monokulär"?
"monokulär" betyder ett öga/kamera; metoden förutsäger djup från en enda RGB-bild utan stereo eller aktiva djupsensorer.
Varför är monokulär djupuppskattning i grunden tvetydig?
En enda 2D-projektion förlorar skalinformation, så flera 3D-arrangemang är förenliga med en bild; nätverk förlitar sig på lärda förkunskaper för att disambiguera.
Hur lär sig självövervakade metoder djup utan marksanningsetiketter?
Med hjälp av förutsagt djup och kamerarörelse projicerar modellen om en bild på en annan; det fotometriska felet ger inlärningssignalen, inga etiketter behövs.
Vilken signal förlitar sig inte monokulära nätverk på för djup?
Stereoskillnad kräver två kameror; monokulära metoder förlitar sig på enbildssignaler som storlek, perspektiv, textur och ocklusion.
Vad är "skala tvetydighet" i monokulärt djup?
Utan metrisk övervakning eller en känd referens ger monokulärt djup korrekt relativ struktur men en osäker absolut skala.