InfiniDepth: 신경 암시적 필드를 활용한 임의 해상도 및 세밀 깊이 추정

초록

기존 깊이 추정 방법들은 근본적으로 이산적인 이미지 격자에서 깊이를 예측하는 데 한계가 있습니다. 이러한 표현 방식은 임의의 출력 해상도로의 확장성을 제한하고 기하학적 디테일 복원을 방해합니다. 본 논문은 깊이를 신경 암시적 필드로 표현하는 InfiniDepth를 소개합니다. 간단하면서도 효과적인 지역 암시적 디코더를 통해 연속적인 2D 좌표에서 깊이를 조회할 수 있어 임의의 해상도와 정밀한 깊이 추정이 가능합니다. 우리 방법의 성능을 더욱 효과적으로 평가하기 위해 5가지 서로 다른 게임에서 다양한 장면과 풍부한 기하학적 및 외형 디테일을 포함한 고품질 4K 합성 벤치마크를 구축했습니다. 폭넓은 실험을 통해 InfiniDepth가 상대적 및 절대적 깊이 추정 과제에서 합성 및 실세계 벤치마크 모두에서 최첨단 성능을 달성하며, 특히 미세 디테일 영역에서 뛰어난 성과를 보임을 입증했습니다. 또한 큰 시점 변화 하에서의 새로운 시점 합성 과제에도 효과적이며, 더 적은 결함과 인공 흔적로 고품질 결과를 생성합니다.

English

Existing depth estimation methods are fundamentally limited to predicting depth on discrete image grids. Such representations restrict their scalability to arbitrary output resolutions and hinder the geometric detail recovery. This paper introduces InfiniDepth, which represents depth as neural implicit fields. Through a simple yet effective local implicit decoder, we can query depth at continuous 2D coordinates, enabling arbitrary-resolution and fine-grained depth estimation. To better assess our method's capabilities, we curate a high-quality 4K synthetic benchmark from five different games, spanning diverse scenes with rich geometric and appearance details. Extensive experiments demonstrate that InfiniDepth achieves state-of-the-art performance on both synthetic and real-world benchmarks across relative and metric depth estimation tasks, particularly excelling in fine-detail regions. It also benefits the task of novel view synthesis under large viewpoint shifts, producing high-quality results with fewer holes and artifacts.

InfiniDepth: 신경 암시적 필드를 활용한 임의 해상도 및 세밀 깊이 추정

InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields

초록

Support