提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
- 前言
- [1 ZipDepth：只有约 6M 参数的轻量级深度模型](#1 ZipDepth：只有约 6M 参数的轻量级深度模型)
-
- [1.1 模型结构](#1.1 模型结构)
- [1.2 知识蒸馏](#1.2 知识蒸馏)
- [1.3 无人机影像测试](#1.3 无人机影像测试)
- [2. AerialMetric / MoGe2-Aerial：面向无人机的 Metric Depth](#2. AerialMetric / MoGe2-Aerial：面向无人机的 Metric Depth)
-
- [2.1 从 Relative Depth 到 Metric Depth](#2.1 从 Relative Depth 到 Metric Depth)
- [2.2 针对 UAV 场景进行深度适配](#2.2 针对 UAV 场景进行深度适配)
- [2.3 无人机影像测试](#2.3 无人机影像测试)
- 总结
前言
最近在做一些无人机视觉相关的模型测试，其中一个比较感兴趣的方向是 Monocular Depth Estimation（单目深度估计）。
相比传统的双目视觉、激光雷达或者基于多视角重建的方法，单目深度估计只需要一张 RGB 图像，就可以预测场景中不同位置的深度信息。对于无人机来说，这类方法在目标定位、环境感知、避障、三维信息恢复以及后续空间分析中都有比较大的应用潜力。
这次主要测试了两个最近比较有意思的方向：
- ZipDepth：强调轻量化和 Zero-shot 泛化能力；
- AerialMetric / MoGe2-Aerial：专门针对无人机航拍视角进行 Metric Depth 适配。
虽然两者都可以输入一张无人机 RGB 图像并输出深度结果，但它们解决的问题其实并不完全相同。
1 ZipDepth：只有约 6M 参数的轻量级深度模型
ZipDepth 比较吸引我的地方是它非常强调 模型轻量化和实际部署能力。其推理模型参数量只有约 6.1M，相比很多基于大型 Vision Transformer 的单目深度模型要小很多。
1.1 模型结构
ZipDepth 的 Encoder 采用了类似 RepVGG 的可重参数化卷积结构。RepVGG 这类结构一个比较典型的特点是：训练阶段可以使用多分支结构增强特征表达能力，而在推理阶段，可以将这些分支重新参数化为标准卷积。
因此最终部署时，网络结构依然比较规整，对 GPU、TensorRT 或边缘设备通常更加友好。
在 Encoder 提取图像特征之后，ZipDepth 还结合了：
- Strip Pooling
- SE / Global Context
- SPPF
- Lightweight FPN Decoder
等结构，对不同尺度的场景信息进行融合。
对于无人机图像来说，这一点其实比较重要。因为航拍影像通常同时包含：
- 大尺度道路和建筑；
- 中尺度车辆、树木；
- 小尺度屋顶结构和地面目标。
单纯依赖局部卷积特征，很容易缺少对整个场景空间关系的理解，因此模型需要同时考虑局部细节和较大范围的上下文信息。最后，ZipDepth 使用一种轻量化的上采样方式，将低分辨率深度特征恢复到原始图像分辨率。
1.2 知识蒸馏
ZipDepth 另外一个比较有意思的地方是它采用了 Knowledge Distillation（知识蒸馏）。
其 Teacher Model 使用的是较大的 Depth Anything V2-Large，通过大量不同场景的数据，将大型深度模型学习到的知识迁移到一个非常小的 CNN 网络中。因此 ZipDepth 的思路并不是单纯依靠小模型直接训练，而更接近于：大模型负责学习丰富的深度先验，小模型负责把这些知识压缩下来用于实际部署。这也是目前轻量视觉模型中非常常见的一条路线。
1.3 无人机影像测试
分别测试的是resize尺寸从1280 2048道2560的对比效果。从无人机影像的实际测试来看，ZipDepth 对场景整体的 前后空间关系恢复得比较明显。
例如：
建筑物与地面之间的高度关系；
道路与周围建筑的空间层次；
树木、车辆与背景之间的相对距离；
基本都能够从深度图中体现出来。
同时，一些建筑边缘和道路边界的深度变化也保持得比较完整。我觉得 ZipDepth 最大的特点并不是追求极致的 Metric Depth 精度，而是它在：模型大小、推理速度、Zero-shot 泛化能力和深度质量之间取得了一个比较好的平衡。
2. AerialMetric / MoGe2-Aerial：面向无人机的 Metric Depth
第二个测试的是 AerialMetric 项目中的 MoGe2-Aerial。
需要区分的是，AerialMetric 本身是一套针对无人机航拍场景构建的 Metric Depth 数据集与 Benchmark，而 MoGe2-Aerial 是基于 MoGe2 进一步进行 UAV 场景适配得到的模型。
2.1 从 Relative Depth 到 Metric Depth
普通单目深度模型很多预测的是 Relative Depth（相对深度），主要描述场景中不同位置"谁近、谁远"，但预测值不一定对应真实世界中的实际距离。
而 Metric Depth 更进一步，希望恢复具有真实物理尺度意义的深度，例如目标距离相机 30 m、地面距离无人机 80 m 等。MoGe2 的一个重要思路是对场景几何结构与全局尺度信息进行解耦建模：先恢复相对稳定的三维几何关系，再进一步估计对应的真实尺度。对于无人机测距、目标空间定位等任务，Metric Depth 显然具有更直接的应用价值。
2.2 针对 UAV 场景进行深度适配
无人机影像与常见的街景、自动驾驶和室内深度数据存在明显的 Domain Gap。
UAV 通常具有更高的拍摄高度，同时会出现鸟瞰、斜视、大俯角以及不同 FOV 等情况，场景的深度范围也远大于普通地面视角。因此，直接使用在常规场景上训练的深度模型，尤其是在绝对尺度估计方面容易产生偏差。AerialMetric 针对这些特点构建无人机 Metric Depth 数据，并在 MoGe2 基础上进行航拍域适配，得到 MoGe2-Aerial，使模型在保留原有通用三维几何能力的同时，更适应 UAV 图像中的视角与尺度分布。
2.3 无人机影像测试
从实际测试结果来看，MoGe2-Aerial 对无人机影像中的地面、建筑以及不同远近区域的深度变化能够形成比较连续的预测，同时相比单纯的 Relative Depth，它更关注深度结果本身的实际尺度意义。
这也是我比较关注这个方向的原因：如果后续进一步结合 相机内参、无人机姿态、飞行高度以及 GPS 信息，Metric Depth 就有机会用于目标实际距离估计，甚至进一步完成从二维图像坐标到真实三维空间位置的转换。
总结
总结来说，ZipDepth 更强调轻量化与高效部署，而 MoGe2-Aerial 更关注无人机场景下具有真实尺度意义的深度估计。两者分别代表了单目深度估计中"轻量通用化"和"航拍场景专业化"两个很有价值的方向。更多问题欢迎访问
进行交流与讨论