InfiniDepth: Оценка глубины произвольного разрешения и высокой детализации с помощью нейронных неявных полей

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

January 6, 2026

Авторы: Hao Yu, Haotong Lin, Jiawei Wang, Jiaxin Li, Yida Wang, Xueyang Zhang, Yue Wang, Xiaowei Zhou, Ruizhen Hu, Sida Peng

cs.AI

Аннотация

Существующие методы оценки глубины принципиально ограничены предсказанием глубины на дискретных сетках изображений. Такие представления ограничивают их масштабируемость до произвольных выходных разрешений и препятствуют восстановлению геометрических деталей. В данной статье представлен метод InfiniDepth, который представляет глубину в виде нейронных неявных полей. Благодаря простому, но эффективному локальному неявному декодеру мы можем запрашивать глубину в непрерывных 2D-координатах, что позволяет осуществлять оценку глубины с произвольным разрешением и высокой детализацией. Чтобы лучше оценить возможности нашего метода, мы создали качественный синтетический 4K-бенчмарк на основе пяти различных игр, охватывающих разнообразные сцены с богатыми геометрическими и текстурными деталями. Многочисленные эксперименты демонстрируют, что InfiniDepth достигает передовых результатов на синтетических и реальных бенчмарках в задачах относительной и метрической оценки глубины, особенно преуспевая в областях с мелкими деталями. Метод также способствует решению задачи синтеза новых видов при значительных смещениях точки обзора, обеспечивая высококачественные результаты с меньшим количеством разрывов и артефактов.

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.