Ước tính độ sâu bằng một mắt
Ước tính độ sâu bằng một mắt dự đoán khoảng cách giữa mỗi pixel so với một bức ảnh thông thường — không cần máy ảnh âm thanh nổi, lidar hoặc cảm biến độ sâu.
Tổng quan
It lets one camera perceive 3D structure from a flat 2D image.
Lặn sâu
Con người có thể đánh giá độ sâu từ một mắt bằng cách sử dụng các tín hiệu như phối cảnh, kích thước tương đối, độ dốc kết cấu, độ bóng và độ che phủ. Ước tính độ sâu bằng một mắt dạy cho mạng lưới thần kinh một thủ thuật tương tự: nạp vào một hình ảnh RGB duy nhất và xuất ra giá trị độ sâu cho mỗi pixel. Bởi vì hình ảnh 2D vốn dĩ không rõ ràng về tỷ lệ tuyệt đối nên nhiệm vụ này rất khó khăn - nhiều cảnh 3D có thể chiếu lên cùng một hình ảnh. Mạng tìm hiểu các ưu tiên thống kê từ các bộ dữ liệu lớn để giải quyết vấn đề này. Quá trình đào tạo có hai loại: được giám sát, sử dụng độ sâu thực tế từ cảm biến lidar hoặc RGB-D và tự giám sát, tìm hiểu độ sâu hoàn toàn từ các cặp video hoặc âm thanh nổi bằng cách thực thi rằng độ sâu dự đoán sẽ phản chiếu chính xác chế độ xem này sang chế độ xem khác. Các mô hình nền tảng gần đây như MiDaS và Depth Anything khái quát hóa đáng kể những cảnh không thể nhìn thấy.
Hiểu biết kỹ thuật
Các phương pháp tự giám sát khai thác hình học thay vì nhãn. Với hai chế độ xem (khung hình âm thanh nổi hoặc video liên tiếp) và bản đồ độ sâu dự đoán cộng với chuyển động của camera, mô hình sẽ làm cong một hình ảnh để tái tạo lại hình ảnh kia; lỗi tái tạo mức pixel trở thành tín hiệu huấn luyện. Việc mất 'tổng hợp lượt xem' này có nghĩa là có thể học được chiều sâu từ video thô, không gắn nhãn. Một hạn chế chính là sự mơ hồ về tỷ lệ: độ sâu một mắt thường chỉ chính xác đến một hệ số nhân không xác định trừ khi được hiệu chỉnh theo tham chiếu hoặc giám sát số liệu đã biết.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của ước tính độ sâu bằng một mắt
Các mô hình nền tảng chiều sâu tổng quát được đào tạo trên hàng triệu hình ảnh hỗn hợp đang hướng tới độ sâu số liệu (tỷ lệ thực) đáng tin cậy trong bất kỳ cảnh nào, ngay cả những cảnh chưa từng thấy trong quá trình đào tạo. Mong đợi sự kết hợp chặt chẽ hơn với luồng quang học và SLAM để tái tạo cảnh 3D đầy đủ, các mẫu máy nhẹ hơn chạy trực tiếp trên điện thoại và tai nghe cũng như khả năng chụp ảnh không ảnh mạnh mẽ hơn. Điều này sẽ làm cho nhận thức không gian phong phú trở nên rẻ và phổ biến, có sẵn từ bất kỳ máy ảnh nào thay vì các thiết bị cảm biến độ sâu đắt tiền.
Triển khai trong thế giới thực
Chế độ chân dung trên điện thoại thông minh mô phỏng làm mờ hậu cảnh (bokeh) bằng cách ước tính khoảng cách giữa chủ thể và hậu cảnh
Các ứng dụng thực tế tăng cường đặt các vật thể ảo sao cho chúng nằm đúng vị trí phía sau đồ nội thất trong thế giới thực
Máy bay không người lái và robot giá rẻ tránh chướng ngại vật bằng một camera hướng về phía trước
Chuyển đổi ảnh và phim 2D thành 3D bằng cách suy ra độ sâu trên mỗi pixel để hiển thị lập thể
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Ước tính độ sâu âm thanh nổi
Câu hỏi thường gặp
What is Monocular Depth Estimation?
Ước tính độ sâu bằng một mắt dự đoán khoảng cách giữa mỗi pixel so với một bức ảnh thông thường — không cần máy ảnh âm thanh nổi, lidar hoặc cảm biến độ sâu. Nó cho phép một camera nhận biết cấu trúc 3D từ hình ảnh 2D phẳng.
Điều gì làm cho việc ước tính độ sâu trở nên 'một mắt'?
'Một mắt' có nghĩa là một mắt/máy ảnh; phương pháp này dự đoán độ sâu từ một hình ảnh RGB duy nhất mà không có cảm biến độ sâu âm thanh nổi hoặc hoạt động.
Tại sao ước tính độ sâu bằng một mắt về cơ bản lại mơ hồ?
Một hình chiếu 2D đơn lẻ sẽ mất thông tin tỷ lệ, do đó nhiều cách sắp xếp 3D nhất quán với một hình ảnh; mạng dựa vào những kiến thức đã học để phân biệt.
Làm thế nào để các phương pháp tự giám sát tìm hiểu độ sâu mà không có nhãn sự thật?
Sử dụng độ sâu dự đoán và chuyển động của camera, mô hình sẽ chiếu lại hình ảnh này lên hình ảnh khác; lỗi trắc quang cung cấp tín hiệu học tập, không cần nhãn.
Mạng một mắt KHÔNG dựa trực tiếp vào tín hiệu nào để xác định độ sâu?
Sự chênh lệch âm thanh nổi yêu cầu hai camera; phương pháp một mắt dựa vào các tín hiệu hình ảnh đơn lẻ như kích thước, phối cảnh, kết cấu và độ che phủ.
'Sự mơ hồ về tỷ lệ' ở độ sâu một mắt là gì?
Nếu không có sự giám sát số liệu hoặc tham chiếu đã biết, độ sâu một mắt sẽ cho cấu trúc tương đối chính xác nhưng thang đo tuyệt đối không chắc chắn.