ECCV2026 深度、法线与立体论文解读论文笔记深度估计立体匹配少样本学习扩散模型

🧊 深度、法线与立体¶

🎞️ ECCV2026 · 39 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (3) · 📷 CVPR2026 (43) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (4) · 🧠 NeurIPS2025 (5) · 📹 ICCV2025 (15)

🔥 高频主题： 深度估计 ×14 · 立体匹配 ×6 · 少样本学习 ×3 · 扩散模型 ×2

MetricAnything: Scaling Metric Depth Pretraining with Noisy Heterogeneous Sources: MetricAnything 用随机稀疏深度提示组织约2000万异构图像深度对的预训练，再把条件教师的稠密伪标签蒸馏给纯 RGB 学生，在深度补全和单目度量深度上取得较好的平均排名，并展示依赖数据、提示与蒸馏设计共同作用的规模收益。
FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry: FoundationGeo 先学习高质量相对点图，再用像素尺度场和射线方向校正恢复真实尺度，并以焦距多样化合成数据补齐相机分布，在七个零样本度量深度基准上取得平均 AbsRel 14.8%、\(\delta_1\) 80.8%。
LinStereo: Linear-Complexity Global Attention for Multi-Scale Iterative Stereo Matching: LinStereo 把迭代式立体匹配里那个一直在局部窗口里打转的 ConvGRU 更新算子换成位置感知的线性注意力（PALA），让每一次精修都能在整张特征图上做 O(N) 的全局聚合，再配上逐尺度相关体（HSCV）与单目深度暖启动（DPI），只用 SceneFlow 训练就在标准基准上达到同级最强，并在无水下数据的情况下于 TartanAir-UW / SQUID 上拿到最好精度。
WildDepth: A Multimodal Dataset for 3D Wildlife Perception and Depth Estimation: WildDepth 建立了首个包含 29 个物种、20.2 万精选帧的野外同步 RGB-LiDAR 多模态数据集，揭示了主流单目深度模型在远距离非刚性野生动物场景下的严重退化，并提出了基于稀疏激光锚定对齐与形变高斯泼溅的度量级 3D/4D 重建基准。
From Perspective to Fisheye Depth Estimation and Open-Vocabulary Segmentation: 本文提出 Distortion Extenders（DEX）——一组插进冻结主干每一层的轻量可学习调制器，通过在隐空间把鱼眼图像的特征分布拉回透视图像的特征分布，让只在透视数据上预训练的深度估计与开放词汇分割基础模型零样本迁移到鱼眼相机，训练不需要真值深度也不需要真实鱼眼图像，测试时不需要标定或重投影；在 ScanNet++、KITTI-360 与 WoodScape 三个真实鱼眼数据集上同时改善了 RMSE/δ1 与 mIoU，并且 DEX 的激活还能被解码回 KB 畸变系数用于相机标定。
A second-order theory of texture for depth from focus: 本文从波动光学解释看似无纹理表面仍具有可用于聚焦深度估计的主观散斑，并用窄带滤光片提高其对比度，在自然环境光下恢复原本难以重建的表面，但收益需要额外曝光时间且依赖材料与照明条件。
AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World: 本文构建了包含四个互补子集的大规模无人机航拍单目度量深度基准 AerialMetric（52K 真实 + 16K 合成图像-深度对），系统性揭示了现有 SOTA 模型在空域视角下 δ1 接近 0 的严重域差距，并通过 LoRA 参数高效微调 MoGe2 在几乎不损失地面泛化能力的前提下将空域 δ1 提升至 84% 以上。
Any to Full: Prompting Depth Anything for Depth Completion in One Stage: Any2Full 将稀疏深度编码为尺度提示，在冻结的 Depth Anything v2 内部引导几何一致的相对深度预测，再一次性恢复公制尺度，在跨域与多种缺失模式评测中取得 2.3 的平均排名，并以相同 DA-L 骨干实现比 PriorDA 约 1.4 倍的推理速度。
AquaStereo: Enabling Underwater Stereo Matching via Depth-Conditioned Diffusion and Geometry Self-Distillation: 针对水下立体匹配真实数据匮乏与严重特征退化痛点，AquaStereo 提出深度条件扩散生成结合左右一致性校验构建大规模几何保真水下立体数据集，配合冻结陆地教师的跨域几何自蒸馏与时序感知增强特征匹配器，在无需目标域微调下大幅刷新零样本水下泛化性能。
Bridge-UniPS: Bridging Calibrated Photometric Stereo toward Universal Photometric Stereo: Bridge-UniPS 提出了一种将泛日光度立体（UniPS）桥接到校准光度立体（CPS）的新范式，通过可学习的光照适配器将任意未知光照图像转化为 CPS 兼容的桥接图像-光照对，并在无中间监督下借助冻结的预训练 CPS 网络反传梯度，实现了物理可解释且高精度的表面法线估计。
Consistent Monocular Depth Estimation with Contact Region Boundary-Aware Refinement: 针对单目深度估计在物体接触区域普遍存在虚假深度跳跃的瓶颈，本文提出一种接触边界感知的深度估计与优化框架，通过视觉语言语义过滤提取物理接触边界先验，并将其多尺度融合进深度解码器辅以多阶几何约束，在仅使用 4000 张合成图像微调下显著消除接触面深度断层并支持可控交互修正。
DualResPS: Dual-Resolution Photometric Stereo Using a Frame-Event Hybrid Camera: 提出首个基于帧-事件混合相机系统的双分辨率光度立体视觉框架 DualResPS，通过连续旋转单光源下的极稀疏长曝光帧与高时间分辨率事件流协同，结合隐式神经反渲染与显式阴影/高光解耦，仅用常规方案 18.1% 的数据带宽即实现了高分辨率、高质量的表面法向重建。
Efficient and High-Quality Depth Estimation via Pixel-Space Diffusion with Linear Attention: 针对高分辨率生成式单目深度估计中二次复杂度与多步去噪带来的巨大计算瓶颈，Lapis 提出了首个基于线性注意力与单步像素空间扩散的几何生成框架，通过由粗到精的补丁级一致性与像素级精炼模块消除了线性化的保真度退化，实现了兼顾极致推理效率与细粒度几何边界的高质量深度估计。
EventSpecPS: Photometric Stereo with Multispectral Reflectance Using an Event Camera: 提出首个基于事件相机的单阶段多光谱光度立体系统 EventSpecPS，通过光谱-角度多路复用光源与恒定白光偏置破除几何与反射率耦合及尺度歧义，实现低带宽、抗阴影高光的物体法向量与绝对多光谱反射率联合重建。
EventVGGT: Exploring Cross-Modal Distillation for Consistent Event-based Depth Estimation: EventVGGT 用混合特征辅助预测、时空特征对齐和深度变化蒸馏，把 VGGT 的多视图几何知识迁移到事件序列，在推理只使用事件的条件下，将 EventScape 的 30 m 截断平均绝对深度误差从 EventDAM 的 2.30 m 降至 1.06 m。
FeDepth: Federated Learning for Depth Estimation under Robot Heterogeneity: 针对多机器人系统中由于平台形态、观测环境及深度量程差异引发的非独立同分布（Non-IID）问题，FeDepth 提出基于特征分布高斯描述子与对称杰弗里斯散度的软聚类联邦学习框架，通过允许多重隶属与冗余合并，实现了异构机器人单目深度估计的稳健协同训练与跨域泛化。
FoundDP: Revisiting Weak Disparity Observability in Dual-Pixel Depth Estimation: 针对双像素（DP）微基线在弱纹理与降采样区域视差不可观测导致的结构崩塌，FoundDP 首次将物理接地的 DP 度量深度与单目深度大模型（DAV2）的全局结构先验深度融合，并通过散焦特征对齐与自适应门控引导，实现了高保真、度量尺度一致的稠密深度估计。
Gaussian Belief Propagation Network for Depth Completion: GBPN 把深度补全重新表述为「在一张由网络动态构建的马尔可夫随机场上做高斯置信传播」——网络不直接回归深度，而是学出 MRF 的势函数、边权和非局部边结构，再用可微的高斯 BP 迭代推理出稠密深度分布（均值当深度、精度当置信度），在 NYUv2 / KITTI 上达到 SOTA，尤其在极稀疏输入下鲁棒性远超纯回归网络。
Last-Layer-Centric Feature Recombination: Unleashing 3D Geometric Knowledge in DINOv3 for Monocular Depth Estimation: 本文针对现有单目深度估计方法均匀采样 ViT 中间层构建特征金字塔而忽略几何分布异质性的缺陷，系统揭示了 DINOv3 中深层表征蕴含更强三维几何预测力的规律，进而提出以最后一层为几何锚点、自适应融合语义互补中间层的特征重组模块（LFR），在零样本泛化与全监督基准上刷新 SOTA。
LiteMatch: Lightweight Zero-Shot Stereo Matching via Cost Volume Stabilization: 针对传统双目立体匹配严重依赖重型 3D 卷积正则化或大规模单目深度先验导致计算膨胀且跨域易崩的问题，LiteMatch 通过傅里叶高频与跨视角双编码器融合、体素级二值交叉熵代价体一致性损失（CVC-Loss）从源头抑制多模态模糊，以 3.36M–9.58M 的极致轻量参数在零样本泛化与实时推理上大幅超越现有 SOTA。
LumiDepth: Stable Monocular Depth in Multi-Illumination Scenes: 针对真实多光源与变照度场景下深度估计严重失真的难题，LumiDepth 提出在免目标域真值深度的设定下，利用分歧校准概率伪监督（DCPS）与频域解耦一致性蒸馏（FaCD）从同场景多光照 RGB 图像组中自监督学习光照不变且保几何细节的单目深度。
OmniDS: Dual-Stream Context Fusion for Omnidirectional Depth from Fisheye Cameras: 针对多鱼眼相机宽基线全向深度估计中的遮挡冲突与刚性投影模糊，OmniDS 提出结合轻量 CNN 与冻结 DINOv3 的动态 ERP 上下文融合，以及融合分组相关与跨视角方差的全局共识体，并通过轻量学生网络蒸馏实现端侧约 10 FPS 实时高精度建图。
OmniPoint: Universal Monocular Metric Pointcloud from Any Camera: OmniPoint 提出了首个统一任意相机模型（针孔、鱼眼、360° 全景）的单目度量点云重建框架，通过射线方向与径向距离解耦表征、解耦点云学习目标、双向 3D 数据增强以及平滑几何先验注入机制，实现了对全景/大视场与常规透视图像的 SOTA 零样本度量几何重建。
One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models: 针对单目深度基础模型将多层几何强行坍缩为单层标量的固有二义性缺陷，本文构建了稀疏二层序数基准 MD-3k 并提出免微调的拉普拉斯视觉提示（LVP），在冻结权重下成功激发基础模型生成互补的深浅几何假设。
PDF-Omni: Poincaré Dual Disk Distortion Field-based Recurrent Update for Omnidirectional Stereo Matching: 针对多目鱼眼全向立体匹配在拼缝过渡区因严重边缘径向畸变与视角模糊导致的匹配失效，本文构建庞加莱双圆盘测地畸变场来度量连续几何不确定性，驱动畸变感知注意力与非均匀感受野 GRU 迭代优化，并设计局部熵累积损失自适应监督模糊代价分布，实现全向深度估计在拼缝区与全局的高精度重建。
Physically Grounded Monocular Depth via Nanophotonic Wavefront Encoding: 通过定制可见光双折射超构透镜在单次单目曝光中将物理度量深度编码为正交偏振螺旋点扩散函数（PSF）的旋转位置偏移，并采用免网络修改的伪 RGB 输入适配方案微调单目深度基座模型（Depth Anything V2），实现了无需主动激光雷达的高精度度量单目深度估计。
Pseudo-Stereo Inputs: A Solution to the Occlusion Challenge in Self-Supervised Stereo Matching: 本文用当前正在训练的模型自渲染出一张伪视图来替换输入对中的一侧，把网络输入与光度反馈解耦，使遮挡在遮挡物两侧等概率出现，再配合渲染过程给出的遮挡掩码与全伪立体输入策略保证稳定收敛；在 KITTI 2015 测试集上把 D1-all 从之前最好的 6.11% 降到 4.39%，遮挡区域的 D1 误差从 20.82% 降到 9.05%。
REALM: An RGB and Event Aligned Latent Manifold for Cross-Modal Perception: REALM 通过轻量卷积嵌入层与 LoRA 参数高效微调，将异步稀疏事件流直接投射至冻结的 RGB 基础模型 (DUNE) 潜在流形，在无需任何事件微调的情况下，实现了冻结图像解码器 (MASt3R) 对事件数据的零样本几何与语义感知迁移。
SeeClear: Reliable Transparent Object Depth Estimation via Generative Opacification: SeeClear 用扩散模型把透明物体改成保留轮廓与表面明暗的不透明外观，再接入不微调的深度模型，使 DA3 在 ClearGrasp 透明物体区域的 RMSE 从 24.03 降至 21.45 mm。
SynLF: Zero-Shot Metric Depth from Light Field Cameras via Physics-Grounded Synthesis: 针对光场相机训练数据稀缺及真实复杂场景泛化差的难题，本文提出 SynLF 框架，通过物理接地的光场合成流水线（PG-LF）从大规模 RGB-D 在线生成含散焦与非朗伯扰动的多视点光场，并结合融合单目先验与显式多视点遮挡推理的迭代估计网络 VisDepth，在自建真实光场数据集上实现了无需微调的零样本绝对尺度深度估计（MAE 30.05 mm，AbsRel 1.38%）。
Video Generative Models as Geometry Learner: GeoNeXt 把单张 RGB 图像的深度和法线当作视频模型的后续“帧”，同步重建图像与几何，仅用 59K 合成训练样本便在 KITTI 上将统一生成基线 GeoWizard 的深度 AbsRel 从 14.4 降至 8.2，但并非所有指标都优于专用模型。
WAFT-Stereo: Warping-Alone Field Transforms for Stereo Matching: WAFT-Stereo 用一次视差分类初始化和高分辨率特征变形驱动的循环回归取代代价体，在纯合成数据训练下取得 ETH3D BP-0.5-noc 0.89%，并以 DAv2-L、5 次迭代在 L40 上处理 540p 输入耗时 106 ms。
Weather-Conditioned Depth Anything: 针对单目深度基础模型在雨雪雾夜等恶劣天气下特征混杂与几何失真的痛点，本文提出 DA-W（Weather-Conditioned Depth Anything），通过跨域对比学习的风格滤波器提取解耦天气嵌入，并借助零初始化 AdaLN-Zero 轻量调制解码器，在不破坏清晰场景泛化能力的前提下显著提升复杂天气下的深度估计鲁棒性。
Don’t Mask Out the Background! Natural-Light Photometric Stereo via Illumination Reconstruction: 针对未标定自然光光度立体（NaPS）中环境光未知的强病态性，本文摒弃将背景扣除的传统做法，利用刚性绑定的相机-物体在多姿态移动中采集的背景观测，通过两阶段 3D 高斯泼溅（3DGS）显式重建连续保距的近场空间光照场，进而利用基于路径追踪的逆向渲染联合优化表面法线、Disney BRDF 材质与深度，在复杂室内近场光照下实现了高精度几何与材质解耦。
Geometric Distillation from Rectified Stereo: Leveraging Epipolar Cues for Monocular Depth Estimation: 针对多视角基础模型在单目推理时跨视角注意力退化导致尺度先验丢失的问题，提出 EpiDistill 框架，通过深度引导极线注意力与校正立体 Token 将多视角极线几何与度量尺度先验显式蒸馏到单视角 Transformer 中，大幅提升零样本绝对尺度估计能力。
NeLU3D: Neural Inverse Structured Light without Modeling the Projector: NeLU3D 提出一种无需对投影仪进行显式几何与辐射度标定的神经逆结构光重建方法，通过将单次标定的 3D 空间到投影模式颜色的映射固化为多分辨率哈希编码 MLP，并结合神经隐式表面体渲染与有界环境光解耦，仅用 3 幅单色非精确设计模式加 1 幅白光闪光图即可达到亚毫米级三维重建精度。
RePer-360: Releasing Perspective Priors for 360\(^\circ\) Depth Estimation via Self-Modulation: RePer-360 提出一种基于归一化调制的自条件框架，在不覆盖预训练透视先验的前提下，利用互补投影（CP 与 ERP）的特征作为几何对齐的引导信号来调制深度基础模型，从而以极少量全景数据（约 1%）实现 SOTA 的全景深度估计。
VisTa3D: A Dataset and Benchmark for Vision, Tactile, and 3D Point Clouds-based Thin Object Reconstruction: 论文提出了首个面向细薄物体（Thin Objects）三维重建的多模态基准 VisTa3D，包含同步 RGB、深度、触觉响应图与高精结构光真值，系统评测了 11 种前沿三维重建方法并提出了首个视触融合深度补全基线 Tactile-DC。
Zero-Shot Depth from Defocus: 从对焦堆栈零样本估计度量深度: 本文提出 FOSSA，一个基于 Transformer 的零样本对焦深度估计网络，通过新颖的堆栈注意力层高效聚合焦点堆栈中的散焦线索，并在大规模合成数据上训练后实现了跨数据集、跨场景的强零样本泛化；同时发布了 ZEDD——一个包含 100 个场景、4K 分辨率、LiDAR 真值的高质量对焦深度实测基准。