标签
αDepth 引入了一种带有圆形Alpha表示（CAR）的分层表示，以解决立体转换中的软边界挑战，无需手动指导即可实现最先进的性能。
本文提出VLM3，一种通过简单的架构修改和基于文本的训练将视觉语言模型适配到3D理解任务的方法，无需复杂设计即可实现有竞争力的性能。该方法在深度估计精度上取得了显著提升，并支持多种3D任务，如像素对应、相机姿态估计和物体级理解。
ViGeo是一个基于Transformer的基础模型，使用动态分块注意力和基于补全的数据精炼框架，从视频中恢复密集且一致的3D几何，在多项任务上实现了最先进的性能。
本文提出GASP框架，通过深度监督结合对比损失和深度一致性损失将几何先验注入视觉语言模型，在3D空间推理基准上取得了显著提升，且无需使用3D VQA数据。
PaGeR 适配了多视角透视基础模型 Depth Anything 3，利用固定的立方体贴图表示，从单张等距柱状投影图像中预测尺度不变深度、度量深度、表面法线和天空分割，同时保持 VRAM 和运行时间恒定。本文还发布了 ZüriPano 和 PanoInfinigen 数据集。
DepthVLM通过轻量级深度头和统一的视觉-文本监督增强了视觉语言模型，实现了稠密度量深度估计和改进的3D空间推理，同时保持了多模态能力。
Depth Anything V2 是一种单目深度估计模型，在细节丰富度和鲁棒性方面显著优于 V1，同时提供比基于 SD 的模型更快的推理速度和更高的准确性。它在 Replicate 上以不同许可证提供。