主要观点总结
UniDepth是一种新颖的单目度量深度估计方法，无需任何额外信息，如相机参数，即可预测场景中的3D点。该方法融合了自我提示的相机模块，并利用了伪球形输出空间表示，解耦了相机和深度预测。此外，UniDepth还引入了几何不变性损失，增强了深度估计的鲁棒性。在零样本状态下，对十个数据集进行的全面评估显示了UniDepth的卓越性能，即使在与其他领域内训练的方法相比也是如此。
关键观点总结
关键观点1: UniDepth的特点
UniDepth是一种新颖的单目度量深度估计方法，它仅从单一图像出发，无需任何额外信息，如相机参数，即可预测场景中的3D点。
关键观点2: 自我提示的相机模块
UniDepth融合了相机自我提示机制，并利用了由方位角和高度角以及深度定义的伪球形3D输出空间，有效解耦了相机和深度优化。
关键观点3: 伪球形输出空间表示
UniDepth采用了一种伪球形输出空间的表示方法，以解开相机和深度维度，形成摄像头平面与深度轴之间的完美正交空间。
关键观点4: 几何不变性损失
UniDepth引入了几何不变性损失，促进了相机提示深度特征的不变性，增强了深度估计的鲁棒性。
关键观点5: 性能评估
在零样本状态下，对十个数据集的全面评估显示了UniDepth的卓越性能，即使在与其他领域内训练的方法相比也是如此。
文章预览
准确的单目度量深度估计（MMDE）对于解决3D感知和建模中的下游任务至关重要。然而，最近MMDE方法的显著准确性仅限于它们的训练领域。 这些方法在存在适度领域差距时甚至无法推广到未见过的领域，这阻碍了它们的实际应用性。 作者提出了一种新的模型UniDepth，它能够仅从单一图像跨领域重建度量3D场景。 与现有的MMDE方法不同，UniDepth在推理时直接从输入图像预测度量3D点，无需任何额外信息，力求实现通用和灵活的MMDE解决方案。特别是，UniDepth实现了一个可自我提示的相机模块，预测密集的相机表征以调节深度特征。 作者的模型利用了一种伪球形输出表征，它解耦了相机和深度表征。此外，作者提出了一种几何不变性损失，促进了相机提示深度特征的不变性。 在零样本状态下对十个数据集进行的全面评估一致展示了UniDepth的卓越性能，即使
………………………………
