Paper page - αDepth: Learning Single-Pass Soft Boundary Decomposition for Stereo Conversion

来源：https://huggingface.co/papers/2606.00386

摘要

αDepth 提出了一种基于循环 Alpha 表示（Circular Alpha Representation，CAR）的分层表示，通过局部边界分解与高效场景级推理，解决了立体转换中的软边界挑战。

准确建模软边界（soft boundaries）（https://huggingface.co/papers?q=soft%20boundaries），如毛发和散焦模糊，是立体转换（stereo conversion）（https://huggingface.co/papers?q=stereo%20conversion）中的根本性难题，这是因为前景与背景的混合具有模糊性。现有深度模型主要预测单层深度，导致在软边界（soft boundaries）（https://huggingface.co/papers?q=soft%20boundaries）处深度对应关系模糊。抠图技术（matting techniques）（https://huggingface.co/papers?q=matting%20techniques）虽能捕获不透明度以进行分层建模，但在包含多个目标物的复杂场景中常表现不佳，且通常需要用户交互。本文介绍 αDepth，一种分层表示（layered representation）（https://huggingface.co/papers?q=layered%20representation），通过分解软边界（soft boundaries）（https://huggingface.co/papers?q=soft%20boundaries）来实现高保真立体转换（stereo conversion）（https://huggingface.co/papers?q=stereo%20conversion）。具体地，我们首先通过估计软边界（soft boundaries）（https://huggingface.co/papers?q=soft%20boundaries）处的分层颜色与深度值，解决混合颜色与深度的歧义。针对复杂多目标场景，我们设计了循环 Alpha 表示（Circular Alpha Representation，CAR）（https://huggingface.co/papers?q=Circular%20Alpha%20Representation），将范式从全局目标提取转向局部边界分解。与受限于单一前景/背景的既往抠图方法不同，CAR 无需人工引导即可实现高效的场景级推理（scene-level inference）（https://huggingface.co/papers?q=scene-level%20inference）。大量评估表明，αDepth 在立体转换（stereo conversion）（https://huggingface.co/papers?q=stereo%20conversion）中达到最先进性能，消除了软边界（soft boundaries）（https://huggingface.co/papers?q=soft%20boundaries）处的背景溢出（background bleeding）（https://huggingface.co/papers?q=background%20bleeding）与结构畸变（structural distortions）（https://huggingface.co/papers?q=structural%20distortions）。

查看 arXiv 页面（https://arxiv.org/abs/2606.00386） 查看 PDF（https://arxiv.org/pdf/2606.00386） 添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.00386）

在您的 Agent 中获取本篇论文：

hf papers read 2606.00386

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

暂无模型链接本篇论文

请在模型 README.md 中引用 arxiv.org/abs/2606.00386 以从本页链接。

引用本文的数据集0

暂无数据集链接本篇论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.00386 以从本页链接。

引用本文的 Spaces0

暂无 Space 链接本篇论文

请在 Space README.md 中引用 arxiv.org/abs/2606.00386 以从本页链接。

包含本文的收藏集0

暂无收藏集包含本篇论文

请将本论文添加至收藏集（https://huggingface.co/new-collection）以从本页链接。