DepthFM: Fast Monocular Depth Estimation with Flow Matching

要約

単眼の深度推定は、多数の下流視覚タスクおよびアプリケーションにとって重要です。
この問題に対する現在の識別アプローチは不鮮明なアーティファクトにより制限されていますが、最先端の生成手法は SDE の性質によりサンプリングが遅いという問題があります。
ノイズから始めるのではなく、入力画像から深度マップへの直接マッピングを求めます。
解空間を通る直線軌道が効率性と高品質を提供するため、フロー マッチングを使用してこれを効果的にフレーム化できることがわかりました。
私たちの研究は、事前トレーニングされた画像拡散モデルがフローマッチング深度モデルの適切な事前学習として機能し、合成データのみを効率的にトレーニングして実際の画像に一般化できることを示しています。
補助的な表面法線の損失により、深さの推定値がさらに改善されることがわかりました。
私たちのアプローチの生成的な性質により、私たちのモデルは深度推定値の信頼性を確実に予測します。
複雑な自然シーンの標準ベンチマークでは、私たちの軽量アプローチは、わずかな合成データのみでトレーニングされているにもかかわらず、有利な低計算コストで最先端のパフォーマンスを示します。

要約(オリジナル)

Monocular depth estimation is crucial for numerous downstream vision tasks and applications. Current discriminative approaches to this problem are limited due to blurry artifacts, while state-of-the-art generative methods suffer from slow sampling due to their SDE nature. Rather than starting from noise, we seek a direct mapping from input image to depth map. We observe that this can be effectively framed using flow matching, since its straight trajectories through solution space offer efficiency and high quality. Our study demonstrates that a pre-trained image diffusion model can serve as an adequate prior for a flow matching depth model, allowing efficient training on only synthetic data to generalize to real images. We find that an auxiliary surface normals loss further improves the depth estimates. Due to the generative nature of our approach, our model reliably predicts the confidence of its depth estimates. On standard benchmarks of complex natural scenes, our lightweight approach exhibits state-of-the-art performance at favorable low computational cost despite only being trained on little synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google