摘要
我们介绍了“任意条件下的深度估计”（DepthAnything-AC），这是一种基础单目深度估计（MDE）模型，能够在各种环境条件下进行有效处理。以往的基础MDE模型在一般场景中表现出色，但在涉及复杂开放世界环境的挑战性条件下，如光照变化、恶劣天气和传感器引起的畸变，其性能并不理想。为了克服数据稀缺和从受损图像生成高质量伪标签的困难，我们提出了一种无监督一致性正则化微调范式，该范式仅需相对少量的未标记数据。此外，我们提出了空间距离约束（Spatial Distance Constraint），以显式地强制模型学习块级相对关系，从而获得更清晰的语义边界和更准确的细节。实验结果表明，DepthAnything-AC在多种基准测试中具有零样本能力，包括现实世界的恶劣天气基准测试、合成损坏基准测试和一般基准测试。项目页面：https://ghost233lism.github.io/depthanything-AC-page代码：https://github.com/HVision-NKU/DepthAnythingAC