ICCV2025 深度、法线与立体论文解读论文笔记深度估计立体匹配对抗鲁棒少样本学习

🧊 深度、法线与立体¶

📹 ICCV2025 · 15 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (3) · 🎞️ ECCV2026 (39) · 📷 CVPR2026 (43) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (4) · 🧠 NeurIPS2025 (5)

🔥 高频主题： 深度估计 ×7 · 立体匹配 ×6 · 对抗鲁棒 ×3 · 少样本学习 ×3

TRAN-D: 2D Gaussian Splatting-based Sparse-view Transparent Object Depth Reconstruction via Physics Simulation for Scene Update: 提出TRAN-D，一种基于2D Gaussian Splatting的稀疏视角透明物体深度重建方法，通过分割引导的object-aware损失优化遮挡区域Gaussian分布，并利用物理仿真（MPM）实现物体移除后的场景动态更新，仅需单张图像即可完成场景刷新。
Amodal Depth Anything: Amodal Depth Estimation in the Wild: 提出非模态相对深度估计新范式，构建大规模真实数据集ADIW（564K），基于Depth Anything V2和DepthFM设计两个互补框架（Amodal-DAV2和Amodal-DepthFM），通过最小化修改预训练模型实现遮挡区域深度预测，在ADIW上RMSE比之前SOTA提升27.4%。
BANet: Bilateral Aggregation Network for Mobile Stereo Matching: 提出双边聚合网络BANet，通过空间注意力将代价体分离为高频细节体和低频平滑体并分别聚合，仅使用2D卷积即可在移动设备上实时运行并大幅超越MobileStereoNet-2D（KITTI 2015上精度提升35.3%），3D版本在GPU上达到实时方法最高精度。
Depth AnyEvent: A Cross-Modal Distillation Paradigm for Event-Based Monocular Depth Estimation: 提出跨模态蒸馏范式，利用图像域的视觉基础模型（Depth Anything v2）生成伪标签来训练事件相机深度估计网络，并设计了基于 VFM 的循环架构 DepthAnyEvent-R，在无需昂贵深度标注的情况下实现了事件相机单目深度估计的 SOTA 性能。
Diving into the Fusion of Monocular Priors for Generalized Stereo Matching: 深入分析单目先验融合中的三大问题（仿射不变性 vs 绝对深度的对齐、迭代更新中的局部最优、噪声视差对融合的干扰），提出二元局部排序图和全局配准模块，在 SceneFlow→Middlebury/Booster 泛化实验中将 bad2 错误减半甚至更多，且几乎不增加计算开销。
FiffDepth: Feed-forward Transformation of Diffusion-Based Generators for Detailed Depth Estimation: 提出FiffDepth，将预训练的扩散模型转化为确定性前馈架构进行单目深度估计，通过保持扩散轨迹维持細节生成能力，并引入可学习滤波器蒸馏DINOv2的鲁棒泛化能力到扩散骨干网络，在效率、精度和细节丰富度三方面同时超越现有方法。
FlashDepth: Real-time Streaming Video Depth Estimation at 2K Resolution: 提出FlashDepth，在Depth Anything v2基础上添加Mamba循环模块实现帧间尺度一致性，并设计Small-Large混合架构在2K分辨率下达到24 FPS的实时流式视频深度估计，边界清晰度远超现有方法。
Learning Robust Stereo Matching in the Wild with Selective Mixture-of-Experts: 提出 SMoEStereo，通过在冻结的视觉基础模型(VFM)中集成变秩MoE-LoRA和变核MoE-Adapter，结合轻量决策网络选择性激活MoE模块，实现了场景自适应的鲁棒立体匹配，在跨域和联合泛化上达到SOTA。
Omni-DC: Highly Robust Depth Completion with Multiresolution Depth Integration: 提出 OMNI-DC，通过多分辨率深度积分器（Multi-res DDI）、Laplacian 损失和尺度归一化技术，构建了一个能够零样本泛化到不同数据集和稀疏深度模式的高鲁棒深度补全模型。
One Look is Enough: Seamless Patchwise Refinement for Zero-Shot Monocular Depth Estimation on High-Resolution Images: 提出 PRO（Patch Refine Once），通过分组块一致性训练（GPCT）和无偏遮罩（BFM）策略，在高分辨率图像上实现无缝的逐块深度精炼，仅需每块单次精炼即可消除边界伪影，推理速度比 PatchRefiner 快12倍。
RobuSTereo: Robust Zero-Shot Stereo Matching under Adverse Weather: 提出 RobuSTereo 框架，通过基于扩散模型的立体数据生成管线和结合去噪 ViT 与 VGG19 的鲁棒特征编码器，大幅提升立体匹配模型在雨、雾、雪等恶劣天气下的零样本泛化能力。
Seeing and Seeing Through the Glass: Real and Synthetic Data for Multi-Layer Depth Estimation: 提出多层深度估计(multi-layer depth estimation)新任务，构建了包含1500张真实图像的LayeredDepth基准和程序化合成数据生成器，揭示了现有深度估计方法在透明物体上的严重不足。
Simulating Dual-Pixel Images From Ray Tracing For Depth Estimation: Sdirt 提出基于光线追踪的双像素（DP）图像模拟方案，通过精确计算包含像差和相位分裂信息的空间变化 DP PSF，弥合仿真与真实 DP 数据之间的域间差距，使深度估计模型在真实 DP 图像上具有更好的泛化能力。
Stereo Any Video: Temporally Consistent Stereo Matching: 提出Stereo Any Video框架，通过融合单目视频深度基础模型先验(Video Depth Anything)、全对全配对相关(all-to-all-pair correlation)和时序凸上采样(temporal convex upsampling)三大核心模块，在不依赖相机位姿或光流的前提下实现空间精确且时序一致的视频立体匹配，在多个数据集零样本设定下达到SOTA。
ZeroStereo: Zero-shot Stereo Matching from Single Images: 提出 ZeroStereo 管线：从任意单张图像出发，利用单目深度估计生成伪视差，再用微调的扩散修复模型合成高质量右视图，实现只需 35K 合成数据即达到 SOTA 零样本立体匹配泛化性能。