🧊 深度、法线与立体¶

🧠 NeurIPS2026 · 7 篇论文解读

📌 同领域跨会议浏览： 🎞️ ECCV2026 (39) · 📷 CVPR2026 (43) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (4) · 🧠 NeurIPS2025 (5) · 📹 ICCV2025 (15)

🔥 高频主题： 深度估计 ×5

Depth2Pose: A Pose-Based Benchmark for Monocular Depth Estimation without Ground-Truth Depth: 提出了无需真实深度标签的单目深度评测框架 Depth2Pose，利用深度感知几何求解器将相对相机位姿估计精度作为深度质量代理指标，并构建了包含雕塑与植被等分布外挑战场景的 D2P 数据集。
DepthMaster: Unified Monocular Depth Estimation for Perspective and Panoramic Images: DepthMaster 将全景图几何规范化为带有微小视场重叠的透视切片，在标准 Transformer 骨干中注入虚拟相机位姿先验并施加特征级对应一致性损失（CCL），实现了无架构特化的透视与全景统一单目度量深度估计。
Focusable Monocular Depth Estimation: 提出可聚焦单目深度估计任务（FDE）与框架 FocusDepth，利用多尺度空间对齐融合模块（MSSA）将 SAM3 的框/文本提示特征门控注入 Depth Anything 几何表征，在保持全局场景几何一致性的同时大幅提升目标前景精度与物体边界锐度。
Learning to Discriminate Scene Structures Makes Self-Supervised Depth Learning Scalable: 本文提出 MaSS 自监督单目深度估计框架，通过双向交互架构桥接传统深度编码器与冻结视觉基础模型（VFM），显式解耦上下文与结构表征，并引入基于软化深度直方图对称 KL 散度的场景结构判别对比目标，解决了跨域联合训练时的结构偏差冲突难题，首次实现了在增加数据多样性时自监督深度性能的持续提升与卓越的零样本域外泛化。
Metric Depth Estimation from Arbitrarily Degraded Low-Resolution Depth Prompts: 针对低成本测距传感器获取的深度提示常伴随多变退化的问题，AdaDS 利用前向扩散的高斯平滑收缩特性，基于两阶段校准的不确定性自适应选择加噪时间步，并通过轻量采样网络将中间潜变量投射至预训练扩散先验的高密度区域，实现单步去噪恢复高精度度量深度。
Revisiting Multi-View Stereo: A Sequence-to-Sequence Formulation: 本文将多视角立体视觉（MVS）从传统的单参考视角序列到单（Seq2One）预测重构为联合预测所有视角几何的序列到序列（Seq2Seq）任务，并引入射线图嵌入与统一全局代价体两种相机诱导先验，在保持前馈效率的同时消除几何畸变并大幅超越现有 MVS 与前馈重建基线。
Selection, Not Fusion: Radar-Modulated State Space Models for Radar-Camera Depth Estimation: 针对毫米波雷达与相机融合深度估计中外置融合破坏时序动态的问题，提出将雷达信号内嵌注入 Mamba 状态空间扫描的选择参数（时间步长 \(\boldsymbol{\Delta}\) 与读出矩阵 \(\mathbf{C}\)）中，构建分层多视扫描金字塔（MVSP），在 nuScenes 上将 80 米内深度估计 MAE 大幅降低 29.9% 且推理耗时仅 26.8 ms。