单目深度估计一直是计算机视觉领域的难点。仅凭一张 RGB 图像,想要还原出场景的三维结构,在几何结构上非常不确定,必须依赖复杂的场景理解能力。
即便使用更强大的深度学习模型来实现，也面临算力需求高、图像数据注释量大、泛化能力弱等缺点。
为了解决这些难题，苏黎世联邦理工学院的研究人员开发了Marigold模型。Marigold不需要从零开始训练，而是在Stable Diffusion（著名开源文生图模型）的基础上进行微调，只需要使用合成数据微调了中间的去噪网络,其他模块例如，编码/解码结构均保持原样,极大降低了训练成本。
实验数据显示，尽管Marigold从未直接学习过真实的深度信息，但在真实场景的测试中，其性能却超越了其他专门训练过的模型，并且迁移、兼容性非常强。
开源地址：https://github.com/prs-eth/Marigold
论文地址：https://arxiv.org/abs/2312.02145
Marigold的核心技术思路是，利用Stable Diffusion模型所捕获的丰富先验知识，来提升深度估计的泛化能力和性能。
简单来说，就是把Stable Diffusion当成一个图片查询数据库，只修改其去噪模块，就变成了可实现单目深度估计的全新模型。
Marigold的关键点在于保持预训练扩散模型的潜在空间，只对去噪U-Net进行修改和微调。
这种方法非常高效，无需实际深度图像的训练数据，就能在多个真实数据集上取得出色的性能表现。
Marigold提供了一个简单而资源高效的微调协议，将预训练的扩散生成模型转化为图像条件的深度估计器，成为了一种功能强大的单目深度估计模块。
Marigold通过使用合成的RGB-D数据以及在一块消费级显卡上只训练了几天，将Stable Diffusion转化为Marigold模型。主要流程如下：
去噪U-Net
研究人员主要通过修改和微调Stable Diffusion模型的去噪U-Net模块，来实现深度估计。去噪U-Net是一个编码器-解码器结构的神经网络，用于从输入图像中学习去除噪声的表示。
在Marigold模型中，研究人员保持了扩散模型的潜空间不变，只对去噪U-Net模块进行微调，以适应深度估计任务。
合成数据训练
为了微调Marigold模型，研究人员使用了合成的RGB-D训练数据，对模型进行训练。合成数据是通过在虚拟环境中，渲染图像并生成对应的深度图来创建的。
通过使用合成数据进行训练，Marigold可以学习到广泛的场景和物体形状，从而提高其在未见过数据集上的泛化能力。
仿射不变深度估计
Marigold使用了一种仿射不变的深度估计方法，能够估计图像中每个像素的深度值，而不受全局偏移和尺度的影响。
这种仿射不变性对于在不同场景和尺度下进行深度估计非常重要。通过估计仿射不变的深度，Marigold可以消除由于相机内参的不确定性，而引入的深度估计误差。
本文素材来源Marigold论文，如有侵权请联系删除
END