🧊 深度、法线与立体¶
📷 CVPR2026 · 43 篇论文解读
📌 同领域跨会议浏览： 🧠 NeurIPS2026 (3) · 🎞️ ECCV2026 (39) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (4) · 🧠 NeurIPS2025 (5) · 📹 ICCV2025 (15)
🔥 高频主题： 深度估计 ×18 · 少样本学习 ×7 · 立体匹配 ×6 · 扩散模型 ×3
- 240FPS Stereo Vision from Monocular Mixed Spikes
-
用一台单目脉冲相机把左右两路视图光学混合到同一传感器、并对其中一路做 60 Hz 周期调制，再通过"最小二乘基线解耦 + SMS-Net 深度精修"两阶段，从混合脉冲流里重建出 240FPS 的双目视频，在保持单目硬件紧凑、数据高效的同时把深度估计精度做到接近"理论上界"。
- AIMDepth: Asymmetric Image-Event Mamba for Monocular Depth Estimation
-
AIMDepth 把 Mamba（状态空间模型）首次用到图像-事件融合的单目深度估计上，并在融合前先做两级模态对齐——频域的双向先验注入（SCPG）做输入级对齐、非对称特征选择编码器（AME）做特征级对齐，再用模态交互局部精化模块（ModiLocal）融合，在 MVSEC / DENSE 上以仅 8.69 GFLOPs 的开销拿到 SOTA。
- Any Resolution Any Geometry: From Multi-View To Multi-Patch
-
把单张超高清图像拆成一堆 patch、当作 VGGT 里的"虚拟多视角"来联合处理，配上跨 patch 注意力做全局一致性推理，从而在一次前向里同时输出锐利且全局连贯的高分辨率深度图和表面法线，在 UnrealStereo4K 上把 AbsRel 从 0.0582 降到 0.0291。
- Beyond Geometry: Artistic Disparity Synthesis for Immersive 2D-to-3D
-
提出"艺术视差合成"新范式（Art3D），将2D-to-3D转换目标从几何精度转向艺术表达，通过双路径架构解耦全局深度风格与局部艺术效果，从专业3D电影数据中学习导演意图。
- Bidirectional Cross-Modal Prompting for Event-Frame Asymmetric Stereo
-
针对"一只眼是事件相机、另一只眼是普通 RGB 相机"的非对称立体匹配，本文提出 Bi-CMPStereo：用一个跨域适配器 + 自重建约束把两个模态都拉到"同一个目标域的规范空间"里对齐，且让事件和图像轮流当目标域、双向各跑一遍再融合，在 DSEC / MVSEC / M3ED 上精度和泛化都显著超过此前 SOTA（如 ZEST）。
- Dense Metric Depth Completion from Sparse Direct Time-of-Flight Sensors
-
针对直接飞行时间（dToF）传感器输出"极稀疏 + 低分辨率 + 噪声大"的深度图，本文用一个深度引导双分支 ViT 编码器 + masked joint attention，让稀疏深度单向地去引导 RGB 特征而不被 RGB 污染，再配一个轻量 DPT 解码器直接出稠密度量深度；训练完全靠一套覆盖 flash / 旋转 dToF 的仿真管线合成数据，最终在 6 个数据集、3 种真实 dToF 设备上零样本泛化，精度与之前 SOTA 相当或更好，但推理快 20×、显存省 10×。
- Depth Any Panoramas: A Foundation Model for Panoramic Depth Estimation
-
本文提出 DAP（Depth Any Panoramas），一个全景度量深度（metric depth）基础模型：用「数据闭环」思路把 2M 张室内外/合成真实全景图喂进一个三阶段伪标签蒸馏管线，再配上 DINOv3 骨干 + 即插即用的距离掩码头 + 一套畸变感知的几何/锐度损失，在 Stanford2D3D、Matterport3D、Deep360 等多个 benchmark 上实现零样本 SOTA，尤其在室外远景/天空区域给出稳定的绝对尺度预测。
- Depth Hypothesis Guided Iterative Refinement for Event-Image Monocular Depth Estimation
-
HypoDepth 把事件—图像单目深度估计从"直接回归连续深度"改成"在离散深度假设里做受约束的搜索"，靠一个轻量 3D 代价体 + GRU 迭代单元从低分辨率到高分辨率逐步精修残差深度，在 DSEC 和 MVSEC 上取得 SOTA，且 Tiny 版本能在受限设备上实时运行。
- DepthFocus: Controllable Depth Estimation for See-Through Scenes
-
DepthFocus 把立体深度估计从"被动输出最近表面"重新定义为"由一个物理参考距离 \(c\) 驱动的可控过程"，用一个可转向（steerable）的 ViT 通过条件 MoE + 条件注入两个模块动态调制特征，让网络像人眼对焦一样"逐层剥开"透明/反射遮挡，在标准单层基准和复杂多层场景上同时拿到 SOTA。
- Differentiable Adaptive 4D Structured Illumination for Joint Capture of Shape and Reflectance
-
用一套统一的"空间-角度 4D 结构光"硬件（LED 阵列 + LCD 掩模 + 单相机），在采集过程中可微地实时优化下一组光/掩模图案，以最小化逐像素深度不确定性，从而在单视角下高效联合重建物体的形状（深度图）和反射率（GGX SVBRDF），曝光时间最多降低 100×、总采集时间缩短 2×。
- Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers
-
作者发现"图像编辑（I2I）扩散模型"天生就是确定性的图到图映射，比通常用的"文生图（T2I）"模型更适合做稠密感知，于是把 FLUX.1 Kontext 编辑器全参微调成统一的深度/法线/抠图感知器，配上像素空间一致性损失和理论最优的平方根深度映射，仅用 7 万多张训练图就在三个任务上单步推理打到 SOTA。
- EventHub: Data Factory for Generalizable Event-Based Stereo Networks without Active Sensors
-
本文提出 EventHub，一个无需 LiDAR 等主动传感器标注的事件相机立体匹配训练数据工厂，通过新视角合成生成代理事件+深度标签和跨模态蒸馏从 RGB 立体模型迁移知识，训练出的事件立体模型在跨域泛化上超越 LiDAR 监督模型（M3ED 和 MVSEC 上误差降低最高 50%）。
- Fast-FoundationStereo: Real-Time Zero-Shot Stereo Matching
-
把强零样本但很慢的 FoundationStereo 用「分而治之」的三招（特征蒸馏 + 代价滤波分块搜索 + 细化模块剪枝）逐一压缩，再配一条自动伪标注流水线喂 1.4M 真实立体图，首次让立体基础模型在实时帧率下保持接近原版的零样本精度，比 FoundationStereo 快 10 倍以上。
- FE2E: From Editor to Dense Geometry Estimator
-
本文系统分析了图像编辑模型与生成模型在稠密几何估计任务中的微调行为差异，发现编辑模型具有天然的结构先验优势，并基于此提出 FE2E 框架，首次将 DiT 架构的图像编辑模型适配为深度和法线联合估计器，在零样本场景下大幅超越现有 SOTA（ETH3D 上 AbsRel 降低 35%）。
- GS-ASM: 2DGS-Supervised Active Stereo Matching
-
针对主动立体匹配缺真值、只能自监督导致精度受限的问题，本文用 2D 高斯泼溅（2DGS）从真实场景重建几何并渲染出高质量视差「代理标签」，把无真值的主动立体网络变成「有监督」训练，再配一套动态平衡代理监督与自监督的混合监督正则策略，在多种 backbone 上刷出 SOTA，并超过商用 RealSense D435 深度相机。
- Guardians of the Hair: Rescuing Soft Boundaries in Depth, Stereo, and Novel Views
-
HairGuard 借用图像抠图（matting）数据集来构造软边界（如发丝）的精细深度监督，用「深度修复器 + 场景画师 + 颜色融合器」三件套即插即用地修正深度、修复遮挡、融合纹理，在单目深度、立体转换和新视角合成上对软边界细节都取得 SOTA。
- InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields
-
InfiniDepth 把深度从"离散网格上的逐像素值"改成"连续 2D 坐标到深度的神经隐式场"，用一个多尺度局部隐式解码器在任意 \((x,y)\) 处查询深度，从而摆脱训练分辨率限制、直接预测任意分辨率且细节锐利的深度图，并配套一个按表面积分配采样预算的查询策略来改善大视角新视角合成。
- Iris: Bringing Real-World Priors into Diffusion Model for Monocular Depth Estimation
-
Iris 提出一种确定性扩散框架，通过两阶段"先验到几何"(PGD)调度将真实世界先验注入扩散模型：第一阶段在高时间步用频谱门控蒸馏(SGD)从教师模型提取低频布局先验，第二阶段在低时间步用合成数据精细化高频几何细节，同时引入频谱门控一致性(SGC)实现跨阶段高频信息对齐，在有限数据和计算预算下达到 SOTA 零样本深度估计性能。
- Iris: Integrating Language into Diffusion-based Monocular Depth Estimation
-
Iris 系统性验证了一个朴素假设——给基于扩散的单目深度估计器额外喂一段描述场景物体的文本，能借助文生图预训练里学到的"文本↔3D 场景"条件分布缩小深度解空间，从而在 Marigold/Lotus/E2E-FT 三种扩散 MDE 上整体提升零样本精度，对小目标和模糊区域尤其有效，还能加速训练和推理收敛。
- Lite Any Stereo: Efficient Zero-Shot Stereo Matching
-
提出Lite Any Stereo，通过混合2D-3D代价聚合模块和三阶段百万级数据训练策略（监督→自蒸馏→真实数据知识蒸馏），以不到SOTA精确方法1%的计算量（33G MACs），在四个real-world benchmark上ranking 1st，首次证明超轻量模型可具备强零样本泛化能力。
- LiteSense: Lifting Lightweight ToF with RGB for High-Resolution Metric Depth Estimation
-
LiteSense 把多区 ToF 传感器输出的紧凑归一化直方图（CNH）和 RGB 图像在一个 U-Net 里做分块交叉注意力融合，用仅 5.5M 参数就在室内米制深度估计上逼近大模型 SOTA，并大幅超越同类 RGB-ToF 方法 DELTAR。
- MD2E: Modeling Depth-to-Edge Cues for Monocular Metric Depth Estimation
-
针对"训练/推理都不给相机内参时单目度量深度尺度不可恢复"的难题，本文发现焦距与场景深度耦合变化时 RGB 几乎不变、但边缘的频谱统计会系统性漂移，于是提出谱分位估计器 SQE 从预测边缘图的傅里叶谱里抽一个标量分数当尺度代理来校准深度，整套 MD2E 在 6 个未见基准的零样本和微调设置下都取得 MMDE 的 SOTA（如 iBIMS-1 上 A.Rel 降 53.0%、RMS 降 41.9%）。
- PIP-Stereo: Progressive Iterations Pruner for Iterative Optimization based Stereo Matching
-
揭示迭代立体匹配中视差更新的空间稀疏性和时间冗余性，提出渐进迭代裁剪（PIP）将32次迭代压缩到1次、协同学习范式实现无需独立单目编码器的深度先验迁移、以及硬件感知的 FlashGRU 算子（7.28× 加速），使高精度迭代立体匹配首次在 Jetson Orin NX 上实现实时推理（75ms/帧，320×640）。
- PromptDepth: Efficient and Promptable Geometric 3D Vision Model for Embodied Intelligence
-
PromptDepth 把"场景全景深度、实例深度、跟踪深度、立体深度"统一成一个可提示的稠密预测任务——一张前馈网络只学几何表示，靠不同的 task token / 点 / mask 提示就能切换输出，配合 ILDS 损失和 Gram Anchoring 解决全景与实例深度的训练冲突，仅用合成数据训练就在多个深度/分割/跟踪基准上达到 SOTA 且推理快一倍以上，专为具身智能体的实时 3D 理解设计。
- PromptStereo: Zero-Shot Stereo Matching via Structure and Motion Prompts
-
提出 Prompt Recurrent Unit (PRU)，将单目深度基础模型的 DPT 解码器作为迭代精炼模块（替代 GRU），通过 Structure Prompt 和 Motion Prompt 将单目结构和立体运动线索以残差方式注入，在不破坏单目先验的情况下实现零样本 SOTA 立体匹配（Middlebury 2021 上误差降低近50%）。
- Radar-Guided Polynomial Fitting for Metric Depth Estimation
-
POLAR 把"用稀疏雷达点把无尺度的单目深度（MDE）变成度量深度"这件事重新表述成一个多项式拟合问题——用雷达特征预测一组多项式系数，对 MDE 深度做非均匀的逐深度修正（而非传统的全局 scale-and-shift 仿射），在三个数据集上平均把 MAE/RMSE 降了 24.9%/33.2%，同时还做到了实时（40 fps）和最低算力。
- Revisiting Optimal Coding for I-ToF under Practical Sensor Constraints
-
这篇论文把 I-ToF 相机在真实噪声模型下的深度误差推成一个可计算的「深度方差度量」，再把峰值功率、带宽、二值波形、互斥多抽头这些硬件约束直接折进编码方案的设计阶段，从而能在被约束压缩后的可行空间里直接搜索出最优编码方案——搜出的两套方案（高/低 SNR 各一套）在仿真和真实商用传感器上都稳稳超过 Hamiltonian 和 double ramp。
- RoSAMDepth: Robust Self-supervised Depth Estimation Leveraging Segment Anything Model
-
RoSAMDepth 把 SAM 离线生成的物体级掩码当作先验，从「表示空间对比」「区域级离群点抑制 + 高斯似然平滑」「物体级可靠性加权」三个角度注入到自监督单目深度框架中，让模型在夜间、雨天等恶劣条件下预测出边界更锐利、物体内部更一致的深度。
- SCE-Depth: A Spherical Compound Eye Framework for Wide FOV Depth Estimation
-
SCE-Depth 提出一套"仿生球面复眼相机 + 球面神经网络"的软硬件协同深度估计框架，直接在 HEALPix 球面网格上原生处理复眼图像以避免平面化带来的畸变，并利用相邻小眼重叠视场天然产生的"随距离衰减的深度敏感梯度"，用球面 Sobel 算子（SGFE）和球面梯度损失（SGL）显著降低宽视场深度误差，尤其在外围区域。
- SeeGroup: Multi-Layer Depth Estimation of Transparent Surfaces via Self-Determined Grouping
-
SeeGroup 把透明物体的多层深度建模成一条沿深度轴的"强度函数"，用递归分解模块让模型自己决定该怎么把各层深度归组、再配一个对层序排列不变的似然损失，在 LayeredDepth 真实基准上把四元组相对深度准确率从 61.34% 提升到 70.09%。
- Seeing Depth Through Frequency and Motion: A Progressive Training Paradigm for Monocular Depth Estimation
-
针对自监督单目深度估计里"边界模糊源于下采样频率混叠"和"位姿网络对跨帧运动建模不足"两个痛点，本文提出即插即用的频率引导采样模块（FGS）保高频细节、PoseQuery 网络（PQNet）用通道对齐注意力建模跨帧运动，再用一套渐进三阶段解耦训练把深度与位姿的互补性榨干，在 KITTI 上 Sq Rel 较强基线降低 4.1%。
- SO(3)-Equivariant ViT-Adapter for Data-Efficient Zero-Shot Sim-to-Real Indoor Panoramic Depth Estimation
-
给冻结的透视预训练 ViT（Depth Anything V2）外挂一个 SO(3)-等变适配器，只用 6.5K 张合成全景图、零真实数据训练，就把透视零样本深度模型的泛化能力迁移到 360° 全景上，在 Matterport3D / Stanford2D3D 上零样本 sim-to-real 超过依赖真实数据的 PanDA。
- SPE-MVS: Spatial Position Encoding Enhanced Multi-View Stereo with Monocular Depth Priors
-
SPE-MVS 用度量单目深度先验为每个视角的每个像素构造统一坐标系下的"空间位置编码（SPE）"，把它和图像一起喂进特征提取与代价体构建，再用单目深度引导的两阶段细化模块打磨概率图，从而在弱纹理、非朗伯面这些光度匹配失效的区域显著提升 MVS 重建质量。
- SpiderCam: Low-Power Snapshot Depth from Differential Defocus
-
SpiderCam 用一组分光棱镜 + 两枚低功耗图像传感器拍下同一场景的两张微分散焦图像，在一块小到连一对完整图像都存不下的低功耗 FPGA 上流式跑改进版微分散焦深度算法（DfDD），做出了文献中第一台总功耗低于 1 瓦（624 [email protected] FPS）、工作距离超过半米的被动式 3D 相机。
- Stabilizing Streaming Video Geometry via Dynamic Feature Normalization
-
作者发现单目几何基础模型（如 MoGe）在视频流上抖动的根因不是几何错误、而是逐帧"尺度-偏移"漂移，而这种漂移又由潜在特征的均值/方差波动直接决定；于是提出一个只占 2% 参数、冻结主干只训它的轻量循环模块 DyFN（Dynamic Feature Normalization），用 ConvGRU 记忆动态预测并替换特征统计量，在四个基准上取得 SOTA 时序稳定性，同时完全不损失单帧精度。
- The Midas Touch for Metric Depth
-
MTD（Midas Touch for Depth）用一套无需训练、数学可解释的"由粗到细"算法，借助极稀疏的 3D 点（LiDAR / 立体匹配等）把深度基础模型输出的相对深度转换成度量深度：先做分段图优化把局部尺度对齐，再用"不连续感知测地线代价 + 动态规划"做像素级细化，在零样本深度补全与深度估计上全面超过 BP-Net / DMD3C / Marigold-DC 等 SOTA，且后端只占 1.9 ms。
- TR2M: Transferring Monocular Relative Depth to Metric Depth with Language Descriptions and Dual-Level Scale-Oriented Contrast
-
提出 TR2M 框架，利用图像和文本描述预测像素级的 scale/shift 映射图，将泛化性强但无尺度的相对深度转换为度量深度，仅用 19M 可训练参数和 102K 训练图像即可实现跨域零样本度量深度估计。
- UniDAC: Universal Metric Depth Estimation for Any Camera
-
UniDAC 把单目度量深度拆成「相对深度 + 空间变化的尺度图」两部分，用一个仅靠透视图训练的统一模型，在鱼眼/360° 等大视场相机上实现零样本度量深度估计，并靠一个深度引导的尺度上采样模块和一个适配 ERP 几何的位置编码 RoPE-ϕ，在跨相机泛化上全面超过此前 SOTA。
- Variational Graph-based Normal Integration
-
本文把"法向图 → 深度"的法向积分问题重写成有向加权图上的一个统一优化目标，用三元组 + 两分量高斯混合显式建模深度不连续，再用变分推断交替求解深度和图权重；它不仅在规则网格上超过当前 SOTA（BiNI），还能直接处理 BiNI 这类方法做不了的散乱点（scattered oriented points）。
- VGGT-360: Geometry-Consistent Zero-Shot Panoramic Depth Estimation
-
VGGT-360 把全景单目深度估计重新表述为"先用 VGGT 类 3D 基础模型从多视角重建一个全局一致的 3D 模型、再投影回全景"的问题，通过三个免训练即插即用模块（不确定性引导的自适应投影、结构显著性增强注意力、相关性加权 3D 修正）把过去各视角独立推理的碎片化深度统一成跨视图一致的结果，在多个室内外数据集上零样本超过有监督和免训练 SOTA。
- What Makes Good Synthetic Training Data for Zero-Shot Stereo Matching?
-
系统消融合成立体匹配训练数据的设计空间（浮动物体、背景、材质、基线等），发现"真实室内场景 + 密集浮动物体 + 宽基线"是最优组合，据此构建的 WMGStereo-150k 仅用单一数据集即超越四大经典数据集的混合训练。
- XPaintNet: An eXtreme Lightweight Framework for Stereoscopic Conversion without Inpainting Network
-
针对 2D→3D 立体转换中"深度估计 + 前向 warp + 重型 inpainting 网络"流水线又慢又在遮挡边界出 artifact 的问题，本文提出 Bi-Warp（双向 warp 融合）彻底去掉 inpainting 网络，并据此搭出轻量网络 XPaintNet，在 2K 分辨率下跑到 100+ FPS 的同时质量与 SOTA 持平。
- Zero-Shot Depth Completion with Vision-Language Model
-
把稀疏深度以「视觉 token + 文本提示 + 文本监督」三种方式注入一个几乎不改结构的 VLM（Qwen2.5-VL 3B），让它像理解语言指令一样理解「哪里该补、哪里该保留」，从而无需稠密真值就能做零样本深度补全，在 7 个跨域 benchmark 上最高提升 17.3%。