DepthFM: Быстрая монокулярная оценка глубины с сопоставлением потоков

DepthFM: Fast Monocular Depth Estimation with Flow Matching

March 20, 2024

Авторы: Ming Gui, Johannes S. Fischer, Ulrich Prestel, Pingchuan Ma, Dmytro Kotovenko, Olga Grebenkova, Stefan Andreas Baumann, Vincent Tao Hu, Björn Ommer

cs.AI

Аннотация

Монокулярная оценка глубины крайне важна для множества последующих задач зрения и приложений. Существующие дискриминативные подходы к этой проблеме ограничены из-за размытых артефактов, в то время как передовые генеративные методы страдают от медленной выборки из-за их природы SDE. Вместо начала с шума, мы ищем прямое отображение из входного изображения в карту глубины. Мы замечаем, что это можно эффективно сформулировать с использованием сопоставления потоков, поскольку их прямые траектории через пространство решений обеспечивают эффективность и высокое качество. Наше исследование демонстрирует, что предварительно обученная модель диффузии изображения может служить адекватным априорным знанием для модели оценки глубины сопоставления потоков, позволяя эффективное обучение только на синтетических данных для обобщения на реальные изображения. Мы обнаружили, что дополнительная потеря поверхностных нормалей дополнительно улучшает оценки глубины. Благодаря генеративной природе нашего подхода, наша модель надежно предсказывает уверенность в своих оценках глубины. На стандартных бенчмарках сложных естественных сцен наш легкий подход демонстрирует передовую производительность при выгодных низких вычислительных затратах, несмотря на то, что обучен только на небольших синтетических данных.

English

Monocular depth estimation is crucial for numerous downstream vision tasks and applications. Current discriminative approaches to this problem are limited due to blurry artifacts, while state-of-the-art generative methods suffer from slow sampling due to their SDE nature. Rather than starting from noise, we seek a direct mapping from input image to depth map. We observe that this can be effectively framed using flow matching, since its straight trajectories through solution space offer efficiency and high quality. Our study demonstrates that a pre-trained image diffusion model can serve as an adequate prior for a flow matching depth model, allowing efficient training on only synthetic data to generalize to real images. We find that an auxiliary surface normals loss further improves the depth estimates. Due to the generative nature of our approach, our model reliably predicts the confidence of its depth estimates. On standard benchmarks of complex natural scenes, our lightweight approach exhibits state-of-the-art performance at favorable low computational cost despite only being trained on little synthetic data.