🧊 深度、法线与立体¶
🔬 ICLR2026 · 10 篇论文解读
📌 同领域跨会议浏览： 🧠 NeurIPS2026 (3) · 🎞️ ECCV2026 (39) · 📷 CVPR2026 (43) · 🤖 AAAI2026 (4) · 🧠 NeurIPS2025 (5) · 📹 ICCV2025 (15)
- DA\(^{2}\): Depth Anything in Any Direction
-
DA2 用一个「透视→全景」数据引擎把约 54 万张透视 RGB-深度对转成全景训练数据（总量提到约 60.7 万），再配上显式注入球面坐标的 SphereViT 骨干，做到端到端、单张 360° 全景直接预测尺度不变距离，在零样本设定下 AbsRel 比最强基线平均提升约 38%，甚至反超此前的 in-domain 方法。
- Depth Anything with Any Prior
-
Prior Depth Anything 用"先粗后细"的两段式流程，把传感器测出来的精确但稀疏的度量深度先验，和单目深度模型预测出来的完整但相对的几何结构融合起来，单个模型零样本统一了深度补全、超分、修复三类任务，在 7 个真实数据集上追平甚至超过各自的专用 SOTA。
- DepthLM: Metric Depth from Vision Language Models
-
DepthLM 证明标准 VLM 不需要 dense prediction head 或专门深度损失，只靠视觉标记、相机内参条件的数据增强和文本式 SFT，就能在像素级 metric depth 上首次接近甚至超过多种专家型纯视觉深度模型。
- DispViT: Direct Stereo Disparity Regression with a Single-Stream Vision Transformer
-
DispViT 抛弃立体匹配领域几十年的"构造代价体 + 迭代精修"范式，改用一个单流 ViT 把左右目图像 token 化成同一序列后直接回归视差，靠移位嵌入 tokenizer、非对称初始化、概率化视差参数化和视差感知 RoPE 这几个轻量设计撑起来，在 Scene Flow 等基准上达到 SOTA 精度，且对遮挡、反光、透明等匹配歧义场景明显更鲁棒、更快。
- Hyden: A Hybrid Dual-Path Encoder for Monocular Geometry of High-resolution Images
-
Hyden 用低分辨率 ViT 抓全局几何、全分辨率 CNN 补局部细节，并通过全图与局部裁剪伪标签自蒸馏，把 DepthAnything-v2 和 MoGe2 这类单目几何模型升级到高分辨率输入下更快、更锐利、更准确的版本。
- Large Depth Completion Model from Sparse Observations
-
LDCM 用一个"不堆复杂模块"的极简框架做稀疏深度补全：前端用泊松重建把单目深度基础模型的相对深度和稀疏观测对齐成度量一致的粗深度，后端把传统深度回归头换成逐像素 3D 点图回归头，从而在六个 benchmark 的零样本深度补全与点图估计上全面刷到 SOTA。
- Light of Normals: Unified Feature Representation for Universal Photometric Stereo
-
LINO UniPS 用「带光照对齐监督的 Light Register Token + 交错注意力」在编码器内显式把光照从法线特征中剥离，再用「小波双分支 + 法线梯度感知损失」保住高频几何细节，在 DiLiGenT / Luces 等基准上把通用光度立体的法线误差刷到新 SOTA。
- ORCaS: Unsupervised Depth Completion via Occluded Region Completion as Supervision
-
ORCaS 让无监督深度补全模型在训练时去预测「输入视角看不见、相邻视角才可见」的遮挡区域特征，以此强迫模型学到一种关于 3D 物体形状的归纳偏置，从而在 VOID1500 / NYUv2 上平均超过此前最优方法 8.91%，并在跨数据集泛化和稀疏输入上大幅领先。
- PatchRefiner V2: Fast and Lightweight Real-Domain High-Resolution Metric Depth Estimation
-
PatchRefiner V2 把 tile-based 高分辨率度量深度框架里"又大又慢"的精修分支换成轻量编码器，再用一个 Coarse-to-Fine 去噪模块 + Noisy 预训练救回掉的精度，并在合成到真实迁移阶段用局部窗口梯度匹配损失提升边界质量——在 UnrealStereo4K 上做到比前代 SOTA 更准、参数少 9.2 倍、推理快 10.7 倍。
- SpikeStereoNet: 面向 Spike 流的类脑双目深度估计框架
-
本文提出 SpikeStereoNet，直接从一对原始 spike 流（脉冲相机输出的二值高频流）估计双目深度，用一个三层循环脉冲神经网络（RSNN）作为迭代细化算子反复更新视差，并配套发布了大规模合成与真实 spike 双目数据集，在两个数据集上都超过现有 frame-based / event-based 立体匹配方法，且在仅用 10% 训练数据时仍保持高精度。