BRIDGE – Building Reinforcement-Learning Depth-to-Image Data Generation Engine für monokulare Tiefenschätzung

BRIDGE - Building Reinforcement-Learning Depth-to-Image Data Generation Engine for Monocular Depth Estimation

September 29, 2025

papers.authors: Dingning Liu, Haoyu Guo, Jingyi Zhou, Tong He

cs.AI

papers.abstract

Monokulare Tiefenschätzung (MDE) ist eine grundlegende Aufgabe in der Computer Vision. Traditionelle Methoden sind durch Datenknappheit und -qualität eingeschränkt, was ihre Robustheit beeinträchtigt. Um dies zu überwinden, schlagen wir BRIDGE vor, ein RL-optimiertes Tiefen-zu-Bild (D2I)-Generierungsframework, das über 20M realistische und geometrisch präzise RGB-Bilder synthetisiert, die jeweils intrinsisch mit ihrer Ground-Truth-Tiefe gepaart sind, aus diversen Quell-Tiefenkarten. Anschließend trainieren wir unser Tiefenschätzungsmodell auf diesem Datensatz unter Verwendung einer hybriden Überwachungsstrategie, die Lehrer-Pseudo-Labels mit Ground-Truth-Tiefe für umfassendes und robustes Training integriert. Dieses innovative Daten-Generierungs- und Trainingsparadigma ermöglicht es BRIDGE, Durchbrüche in Bezug auf Skalierbarkeit und Domänenvielfalt zu erzielen, wobei es bestehende state-of-the-art Ansätze quantitativ und in der Erfassung komplexer Szenendetails konsequent übertrifft, wodurch allgemeine und robuste Tiefenmerkmale gefördert werden. Code und Modelle sind verfügbar unter https://dingning-liu.github.io/bridge.github.io/.

English

Monocular Depth Estimation (MDE) is a foundational task for computer vision. Traditional methods are limited by data scarcity and quality, hindering their robustness. To overcome this, we propose BRIDGE, an RL-optimized depth-to-image (D2I) generation framework that synthesizes over 20M realistic and geometrically accurate RGB images, each intrinsically paired with its ground truth depth, from diverse source depth maps. Then we train our depth estimation model on this dataset, employing a hybrid supervision strategy that integrates teacher pseudo-labels with ground truth depth for comprehensive and robust training. This innovative data generation and training paradigm enables BRIDGE to achieve breakthroughs in scale and domain diversity, consistently outperforming existing state-of-the-art approaches quantitatively and in complex scene detail capture, thereby fostering general and robust depth features. Code and models are available at https://dingning-liu.github.io/bridge.github.io/.