AI深度估计为何难判尺度歧义
过去一周,三家头部实验室先后更新了单目深度估计的基准测试成绩,在KITTI和NYU-Depth V2上的相对误差分别压到了6.1%和4.3%。数字很漂亮,但拿到工业场景里一跑,问题照旧:同一张走廊照片

过去一周,深度三家头部实验室先后更新了单目深度估计的估计基准测试成绩,在KITTI和NYU-Depth V2上的为何相对误差分别压到了6.1%和4.3%。数字很漂亮,难判但拿到工业场景里一跑,尺度问题照旧:同一张走廊照片,歧义模型给出的深度最近物体距离可能是1.2米,也可能是估计2.4米,两次推理结果相差一倍。为何这不是难判模型崩了,是尺度它从根本上没法确定确实尺度。
单目深度估计本质上是歧义一个欠定问题。一张二维图像丢掉了一个维度,深度要从像素亮度、估计纹理、为何遮挡关系里把距离“猜”回来,理论上存在无穷多组解。网络学会的并不是真实的米制距离,而是同一场景内“谁在前谁在后”的相对关系,以及从训练数据里统计出来的尺度先验。一旦画面里的物体尺寸、相机高度、焦距偏离训练分布,这个先验就会失效。2023年CVPR有篇论文做过量化分析:把测试图像的相机高度从1.5米抬到1.8米,主流模型的确实深度误差平均增加47%,而相对深度排序几乎不受影响。
尺度歧义从何而来又为何难解
问题出在约束的缺失。人类看照片能估距离,靠的是双眼视差、运动视差和生活经验的多重交叉验证。单目模型只有一张静态图,它必须在“物体真实大小”和“物体距离”之间做选择——远处的大楼和近处的小盒子在成像上可以完全一致。训练数据里常见的场景帮模型固定了部分先验:室内天花板高度约2.4到2.8米、汽车宽度约1.8米、行人高度约1.7米。一旦出现非常规物体或非常规拍摄角度,模型只能硬套先验,给出看似合理实则偏离数倍的数值。某自动驾驶公司在夜间接地气测试中发现,模型把横穿马路的大型犬(肩高0.9米)识别成远处的人,距离估计从6米拉到了19米,差点触发错误的紧急制动逻辑。
工业界目前怎么绕开这个坑
一线团队基本放弃了“单帧确实深度”的执念。自动驾驶和机器人导航普遍采用多帧时序融合,用IMU和轮速计提供的位姿变化做三角化,把单目的相对深度锚定到真实尺度上。手机厂商的人像虚化则走另一条路:他们只关心前景和背景的相对层差,不需要确实距离,所以直接对深度图做归一化,避开尺度漂移。真正难办的是AR尺子、室内测量这类必须输出米制数值的场景,目前能落地的做法是引入已知尺寸的参照物——地砖边长30厘米、A4纸长边29.7厘米、标准门高2.05米——让用户在画面里框一下参照物,模型据此反推全局尺度。某测量App的实测数据显示,加参照物后误差中位数从18%降到3.2%,但用户多操作一步,完单率下跌了11%。
数据与训练策略能压住多少偏差
更激进的思路在训练侧。去年Meta和牛津的几个团队尝试给单目模型加入焦距编码和相机高度回归分支,让网络显式建模拍摄参数。在ScanNet上效果明显,确实深度误差压到0.18米以内,但跨数据集测试依然崩:换到用手机广角镜头拍的卧室照片,误差反弹到0.4米以上。这说明模型学到的是特定数据集的采集规律,不是通用的物理尺度推理。另一个方向是混合训练,把相对深度数据、激光雷达点云和合成数据按比例喂进去,利用激光雷达提供真实尺度监督。小米和追觅的扫地机方案里已经在用这套,实测跨楼层导航的尺度漂移从每10米误差2.3米降到0.4米,代价是训练成本翻了三倍,还需要额外标注点云对齐。
短期看,指望神经网络从单张图里稳定输出真实米制距离,不太现实。更务实的路线是承认尺度歧义的存在,在系统设计上给它留出校准接口——多帧融合、参照物标定、传感器辅助,哪条路能用就用哪条。评测体系也该改:只看相对误差排名的时代过去了,把跨数据集尺度漂移率、跨相机参数鲁棒性放进榜单,才能逼出真正能落地的方案。