InfiniDepth: Estimativa de Profundidade de Resolução Arbitrária e Granularidade Fina com Campos Implícitos Neurais
InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields
January 6, 2026
Autores: Hao Yu, Haotong Lin, Jiawei Wang, Jiaxin Li, Yida Wang, Xueyang Zhang, Yue Wang, Xiaowei Zhou, Ruizhen Hu, Sida Peng
cs.AI
Resumo
Os métodos existentes de estimativa de profundidade são fundamentalmente limitados à previsão de profundidade em grades de imagem discretas. Tais representações restringem sua escalabilidade para resoluções de saída arbitrárias e dificultam a recuperação de detalhes geométricos. Este artigo apresenta o InfiniDepth, que representa a profundidade como campos implícitos neurais. Por meio de um decodificador implícito local simples, porém eficaz, podemos consultar a profundidade em coordenadas 2D contínuas, permitindo uma estimativa de profundidade de resolução arbitrária e de granularidade fina. Para melhor avaliar as capacidades do nosso método, criamos um benchmark sintético 4K de alta qualidade a partir de cinco jogos diferentes, abrangendo diversas cenas com ricos detalhes geométricos e de aparência. Experimentos extensivos demonstram que o InfiniDepth alcança desempenho de última geração em benchmarks sintéticos e do mundo real em tarefas de estimativa de profundidade relativa e métrica, destacando-se particularmente em regiões de detalhes finos. O método também beneficia a tarefa de síntese de novas visões sob grandes mudanças de ponto de vista, produzindo resultados de alta qualidade com menos buracos e artefatos.
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.