論文の概要: OpenDepth: Repurposing Image Editing Priors for Robust Open-World Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2610.17610v2
• Date: Wed, 14 Oct 2026 12:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.492592
• Title: OpenDepth: Repurposing Image Editing Priors for Robust Open-World Monocular Depth Estimation
• Title（参考訳）: OpenDepth:ロバストなオープンワールドなモノクロ深度推定のための画像編集の事前化
• Abstract要約: Intra-Domain Awareness を導入したオープンワールド MDE フレームワーク OpenDepth を提案する。 我々は,OpenDepthが標準および極端気象ベンチマークでゼロショット深度を安定的に推定するために,新しいSOTAレコードを設定することを示す。
• 参考スコア（独自算出の注目度）: 19.362327118053937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, the integration of generative priors has revolutionized Monocular Depth Estimation (MDE), achieving state-of-the-art (SOTA) performance with remarkably high data efficiency. However, although methods based on Text-to-Image (T2I) models excel in general scenes, their efficacy degrades sharply when confronted with open-world environmental perturbations, such as illumination variations and adverse weather. Since T2I priors are optimized for semantic synthesis rather than preserving pixel-level structure, they struggle to decouple geometry from appearance under severe visual shifts, easily triggering structural hallucinations. Therefore, our core insight is to model open-world depth estimation as consistent geometric inference across multi-style images, fully leveraging the powerful structure-preserving editing priors of Image-to-Image (I2I) models. Based on this, we propose OpenDepth, a robust open-world MDE framework that introduces "Intra-Domain Awareness" -- the capability to map diverse stylistic inputs sharing identical geometry into a unified latent space. To achieve this, we first align shallow features within the Diffusion Transformer (DiT) to anchor degraded observations to unified geometric representations. Additionally, we introduce a joint RGB latent reconstruction task, requiring the model to recover clean RGB information from degraded inputs. This multi-stage strategy effectively decouples environmental style interference, compelling the model to focus strictly on underlying geometric recovery. Extensive evaluations show that OpenDepth sets new SOTA records for robust zero-shot depth estimation across standard and extreme weather benchmarks, demonstrating exceptional structural integrity and adaptability.
• Abstract（参考訳）: 近年, 単分子深度推定 (MDE) に革命をもたらし, 最先端(SOTA) の性能を極めて高いデータ効率で達成している。 しかし、テキスト・トゥ・イメージ(T2I)モデルに基づく手法は一般的な場面では優れているが、照明の変動や悪天候といった環境変動に直面すると、その効果は急激に低下する。 T2Iは画素レベルの構造を保存するのではなく、セマンティックシンセサイザーに最適化されているため、厳密な視覚的シフトの下で幾何学を外見から切り離すのに苦労し、構造的幻覚を容易に引き起こす。 したがって、我々は、オープンワールドの奥行き推定をマルチスタイル画像間の一貫した幾何学的推論としてモデル化し、画像対画像(I2I)モデルの強力な構造保存編集を十分に活用する。 そこで我々は,オープンワールドなMDEフレームワークであるOpenDepthを提案する。これは"イントラ・ドメイン・アウェアネス(Intra-Domain Awareness)"を導入している。 そこで我々はまず,Diffusion Transformer (DiT) 内の浅度な特徴を整理し,分解した観測結果を統一された幾何学的表現に固定する。 さらに、劣化した入力からクリーンなRGB情報を復元する必要のある共同RGB遅延復元タスクを導入する。 このマルチステージ戦略は、環境スタイルの干渉を効果的に分離し、モデルが基礎となる幾何学的回復に厳密に焦点を合わせるように促す。 大規模な評価では、OpenDepthは標準および極端気象ベンチマークをまたいだ堅牢なゼロショット深度推定のために新しいSOTAレコードを設定しており、例外的な構造整合性と適応性を示している。

関連論文リスト

• Geometric Distillation from Rectified Stereo: Leveraging Epipolar Cues for Monocular Depth [11.871264497562008]
  本稿では,マルチビューモデルのスケール・アウェアな幾何学的先行をモノクロ深度基礎モデルに変換する新しいフレームワークを提案する。 具体的には,マルチビュー入力を必要とすることなく,単一ビュー予測モデルでエピポーラの注意パターンを維持し,幾何整合性を維持するためのエピポーラ蒸留(EpiDistillation, EpiDistill)を提案する。
  論文  参考訳（メタデータ） (2026-07-17T03:49:14Z)
• ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
  拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。 本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。 提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
  論文  参考訳（メタデータ） (2026-07-14T07:06:46Z)
• Pseudo-View Enhancement via Confidence Fusion for Unposed Sparse-View Reconstruction [7.8268279161630785]
  スパース視点下での3次元シーンの再構築は、非常に困難だが実際は重要な問題である。 本稿では、双方向の擬似フレーム復元により高品質な結果を得られるスパースビュー屋外再構築のための新しいフレームワークを提案する。 設計は、復元の完全性を大幅に向上させ、浮動小道具を抑え、極端な視野の空間性の下で全体的な幾何的整合性を改善する。
  論文  参考訳（メタデータ） (2026-02-25T03:45:47Z)
• Lotus-2: Advancing Geometric Dense Prediction with Powerful Image Generative Model [32.831576387973875]
  安定, 高精度, 微粒な幾何的密度予測のための2段階決定的フレームワークを提案する。 特に、第1段階では、コア予測器は、クリーンデータ目的の単一ステップ決定論的定式化を採用する。 第2段階では、ディテールシャープナーは、コア予測器によって定義される多様体内で制約付き多段階整流補正を行う。
  論文  参考訳（メタデータ） (2025-11-30T18:57:25Z)
• Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
  Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。 私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
  論文  参考訳（メタデータ） (2025-11-24T01:13:51Z)
• VGD: Visual Geometry Gaussian Splatting for Feed-Forward Surround-view Driving Reconstruction [26.668204454537246]
  我々は,この課題に対処すべく,新しいフィードフォワードエンドツーエンド学習フレームワークであるtextbfVisual Gaussian Driving (VGD)を紹介した。 提案手法は, 客観的指標と主観的品質の両方において, 種々の条件下で, 最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-22T13:28:49Z)
• From Editor to Dense Geometry Estimator [77.21804448599009]
  密度幾何予測のための拡散変換器(DiT)アーキテクチャに基づく高度な編集モデルを適用するフレームワークである textbfFE2E を紹介する。 FE2EはETH3Dデータセットで35%以上のパフォーマンス向上を実現し、100$times$データでトレーニングされたDepthAnythingシリーズを上回っている。
  論文  参考訳（メタデータ） (2025-09-04T15:58:50Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。