深度学习论文: Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data
Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data
PDF: https://arxiv.org/abs/2401.10891.pdf
代码:https://github.com/LiheYoung/Depth-Anything
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

本文提出了名为Depth Anything的实用单目深度估计（MDE）方案，旨在构建能够处理各种任务环境图像的简单而强大的基础模型。方案从三个关键维度进行优化：首先，通过数据引擎实现大规模无标注数据的收集与自动标注，显著提升数据覆盖率和降低泛化误差；其次，利用数据增广工具创造更具挑战性的优化目标，增强模型对额外视觉知识的探索能力，提升特征鲁棒性；最后，设计辅助监督信息，使模型能够继承预训练Encoder中的丰富语义先验信息。

2 Depth Anything

本文提出了一种结合有标签和无标签图像训练的单目深度估计方法，以实现更优的性能。

首先，利用一个有标签的数据集来训练一个初始的“老师模型”T。这个模型通过监督学习的方式，从有标签的数据中学习深度估计的能力。

接着，利用这个已经训练好的老师模型T，对无标签的数据集进行预测，从而生成伪标签（pseudo-labels）。这些伪标签虽然不如真实的标签准确，但它们提供了关于无标签图像中深度信息的近似估计。

最后，结合有标签的数据集（包含真实标签）和经过伪标签标记的无标签数据集，共同训练一个“学生模型”S。通过这种方式，学生模型S能够同时从真实标签和伪标签中学习到深度估计的知识，从而进一步提升其性能。

这种方法充分利用了有标签和无标签数据集的各自优势，有效提升了单目深度估计的准确性和泛化能力。

本文所构建的有标签与无标签数据集，相比于MiDaS v3.1，该方案使用的有标签数据集更少(6 vs 12)。

2-1 Learning Labeled Images

采用类似于MiDaS的方法进行单目深度估计模型的训练。在训练中，深度值通过特定公式转换到视差空间，并进行归一化处理。同时为了适应多数据集训练，引入了仿射不变损失来忽略样本的比例和偏移差异。

为了增强模型的泛化能力和鲁棒性，

• 除了使用标记图像，还利用了大量易于获取且多样化的未标记图像。
• 此外，为了加强模型的编码器部分，使用了DINOv2的预训练权重进行初始化，
• 并利用预训练的语义分割模型来识别并处理图像中的天空区域，将其视差值设为最远点。

2-2 Unleashing the Power of Unlabeled Images

在单目深度估计（MDE）领域，利用未标记图像可以显著扩展数据覆盖范围并提升模型的泛化能力。本文提出一种方法，从互联网和公共数据集中收集大规模的未标记图像，并利用一个预训练的MDE模型为这些图像生成深度图的近似值。

在技术实现上，采用了一种基于教师-学生架构的策略。首先，利用已有的MDE教师模型T对未标记图像集进行预测，生成一个伪标记数据集。随后，将这个伪标记数据集与已有的标记图像集相结合，共同用于训练学生模型S。

然而，当标记图像的数量已经足够时，从额外的未标记图像中获取的额外信息可能会变得相对有限。特别是，由于教师和学生模型通常共享相同的预训练参数和架构，它们在未标记数据集Du上往往会做出类似的预测，无论是正确的还是错误的。

为了克服这一挑战，引入了数据增强技术。通过应用如颜色失真和CutMix空间失真等数据增强方法，增加了图像的多样性，从而迫使学生模型S从未标记图像中学习到更多样化的视觉特征和知识。这种策略有助于提升学生模型在未标记数据上的性能，进而增强整个单目深度估计系统的泛化能力。

2-3 Semantic-Assisted Perception

通过整合DINOv2模型的强大语义能力，提出了一个辅助特征对齐损失，用于改善深度估计模型的性能。该损失在深度模型的特征与DINOv2编码器的特征之间引入了对齐，同时保持了对深度信息的敏感性。

但是使用RAM、GroundingDINO和HQ-SAM模型进行语义分割，但未能提高深度估计性能，因为将图像解码到离散类空间损失了过多语义信息。因此引入DINOv2模型，利用其强大的语义能力通过辅助特征对齐损失来改善深度估计。特征对齐损失通过测量深度模型提取的特征与DINOv2编码器特征之间的余弦相似度来计算。

但是处于对特征对齐的考虑，不直接要求深度模型产生与DINOv2完全相同的特征，因为深度估计需要更精细的区分。同时引入容忍度α，仅当两个特征之间的余弦相似度低于α时才计算损失，允许深度模型保持其特有的深度感知能力。

因此提出的特征对齐损失不仅提高了深度估计性能，还使编码器在语义分割任务上表现出色，显示出作为多任务编码器的潜力。

3 Experiment

3-1 Zero-Shot Relative Depth Estimation

3-2 Fine-tuned to Metric Depth Estimation

3-3 Fine-tuned to Semantic Segmentation