智客 ZICQ
EN 登录 / 注册
智客前沿 大模型 #深度估计 #扩散Transformer #华为 #计算机视觉 #AI模型

Marigold V2发布:基于扩散Transformer的单目深度估计技术突破

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间: · 9 次阅读

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:华为Bayer实验室发布了Marigold V2,这是一套基于扩散Transformer(DiT)架构的创新技术,用于单目深度估计。Marigold V2通过单步推理和量化技术,在保持模型容量的同时降低了计算成本。其核心创新包括对齐模型内部表示与真实语义特征,以及采用基于Sinkhorn损失的二阶段微调协议。实验结果表明,Marigold V2在KITTI和ETH3D数据集上的AbsRel指标提升了16-26%,并能生成更清晰、更精细的深度图。此外,该技术还适用于表面法线估计和内在图像分解等密集回归任务,展示了其广泛的应用潜力。


技术突破与核心创新

Marigold V2是华为Bayer实验室推出的一套基于扩散Transformer(DiT)架构的单目深度估计技术。其主要技术亮点包括:

  • 单步推理与量化技术:通过单步推理和必要的量化处理,在保持模型容量的同时降低了计算成本,使其在实际应用中更加高效。
  • 模型表示对齐:通过将模型的内部表示与从真实数据中提取的语义特征对齐,解决了传统训练中的伪影问题。
  • 二阶段微调协议:采用基于Sinkhorn损失的二阶段微调方法,进一步提升了模型的精细化能力。

实验结果与性能表现

在KITTI和ETH3D数据集上的实验表明,Marigold V2的AbsRel指标相较于之前的最优方法提升了16-26%。此外,该模型能够生成更清晰、更精细的深度图,尤其在处理毛发、树叶和发丝等复杂细节时表现突出。

应用场景与行业影响

Marigold V2不仅在单目深度估计任务中表现出色,还适用于其他密集回归任务,如表面法线估计和内在图像分解。其应用场景包括:

  • 场景重建:在虚拟现实和增强现实领域提供更精准的深度信息。
  • 计算摄影:提升图像处理和编辑的精度。
  • 机器人导航:为机器人提供更可靠的深度感知能力。

开发者建议

对于从事计算机视觉和深度学习的研究人员和开发者,Marigold V2提供了一种高效且强大的单目深度估计解决方案。建议关注其开源项目网站(https://hf.co/spaces/huawei-bayerlab/marigold-v2-web),以获取更多技术细节和代码示例。

未来展望

随着Marigold V2的发布,我们预计其在多个领域的应用将推动单目深度估计技术的进一步发展。未来研究方向可能包括优化模型在不同环境下的泛化能力,以及探索其在更多密集回归任务中的应用潜力。


消息来源:Hugging Face Daily Papers (2026-09-08)

—— 完 ——

主题标签: #深度估计 #扩散Transformer #华为 #计算机视觉 #AI模型

编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…