🧊 深度、法线与立体

🧠 NeurIPS2025 · 5 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (3) · 🎞️ ECCV2026 (39) · 📷 CVPR2026 (43) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (4) · 📹 ICCV2025 (15)

🔥 高频主题： 深度估计 ×2 · 扩散模型 ×2

3D Visual Illusion Depth Estimation

揭示了3D视觉错觉（如墙面彩绘、屏幕重播、镜面反射等）会严重欺骗现有SOTA单目和双目深度估计方法，构建了包含约3k场景/200k图像的大规模数据集，并提出基于VLM常识推理的单目-双目自适应融合框架，在各类错觉场景下达到SOTA。

DualFocus: Depth from Focus with Spatio-Focal Dual Variational Constraints

提出 DualFocus，通过空间变分约束（利用焦距相关梯度模式区分深度边缘与纹理伪影）和焦距变分约束（强制单峰单调的对焦概率分布）双重约束，实现从焦距堆栈中鲁棒精确的深度估计。

Jasmine: Harnessing Diffusion Prior for Self-Supervised Depth Estimation

首次将Stable Diffusion的视觉先验引入自监督单目深度估计框架，提出Mix-Batch Image Reconstruction（MIR）代理任务保护SD先验不被重投影噪声损坏，并设计Scale-Shift GRU（SSG）桥接SD的尺度-偏移不变性（SSI）与自监督的尺度不变性（SI）深度分布，在KITTI上AbsRel=0.090达到所有SSMDE方法SOTA，且零样本泛化全面超越Marigold、E2E FT、Lotus等有监督SD方法。

MVSMamba: Multi-View Stereo with State Space Model

提出MVSMamba，首个基于Mamba架构的多视图立体(MVS)网络，通过参考视角中心的动态扫描策略实现高效的视内和视间全局全方向特征聚合，在DTU和Tanks-and-Temples上以最优效率达到SOTA性能。

Pixel-Perfect Depth with Semantics-Prompted Diffusion Transformers

提出Pixel-Perfect Depth——在像素空间（而非潜空间）直接做扩散生成的单目深度估计模型，通过语义提示DiT（SP-DiT）引入视觉基础模型的高层语义表示和级联DiT设计，生成无飞点（flying-pixel-free）的深度图，在五个benchmark上超越所有已发表的生成式模型。