Open Source! Jenseits von ZoeDepth! DepthFM: Schnelle und genaue monokulare Tiefenschätzung!

0. Was bewirkt dieser Artikel?

Vorgeschlagenes DepthFM: Ein vielseitiges und schnelles generatives monokulares Tiefenschätzungsmodell auf dem neuesten Stand der Technik. Zusätzlich zu herkömmlichen Tiefenschätzungsaufgaben demonstriert DepthFM auch hochmoderne Fähigkeiten bei nachgelagerten Aufgaben wie dem Tiefen-Inpainting. DepthFM ist effizient und kann Tiefenkarten innerhalb weniger Inferenzschritte synthetisieren.

Lassen Sie uns diese Arbeit gemeinsam lesen~

1. Papierinformationen

Titel: DepthFM: Fast Monocular Depth Estimation with Flow Matching

Autoren: Ming Gui, Johannes S. Fischer, Ulrich Prestel, Pingchuan Ma, Dmytro Kotovenko, Olga Grebenkova, Stefan Andreas Baumann, Vincent Tao Hu, Björn Ommer

Institution: MCML

Originallink: https://arxiv.org/abs/2403.13788

Code-Link: https://github.com/ CompVis/ Depth -fm

Offizielle Homepage: https:// Depthfm.github.io/

2. Zusammenfassung

ist für viele nachgelagerte Besichtigungsaufgaben und -anwendungen von entscheidender Bedeutung. Aktuelle Unterscheidungsmethoden für dieses Problem sind durch verwischende Artefakte eingeschränkt, während generative Methoden auf dem neuesten Stand der Technik aufgrund ihrer SDE-Natur unter einer langsamen Geschwindigkeit der Trainingsproben leiden. Anstatt mit Rauschen zu beginnen, suchen wir nach einer direkten Zuordnung vom Eingabebild zum Tiefenbild. Wir beobachten, dass dies durch Flussanpassung effizient konstruiert werden kann, da seine gerade Flugbahn im Lösungsraum für Effizienz und hohe Qualität sorgt. Unsere Studie zeigt, dass vorab trainierte Bilddiffusionsmodelle als ausreichendes Vorwissen für Deep-Flow-Matching-Modelle verwendet werden können. Bei Benchmarks komplexer Naturszenen zeigt unser leichtgewichtiger Ansatz modernste Leistung bei vorteilhaft niedrigem Rechenaufwand, obwohl er nur auf einer kleinen Menge synthetischer Daten trainiert wird.

3. Effektdemonstration

DepthFM ist ein schnelles Inferenzfluss-Matching-Modell mit starker Zero-Shot-Generalisierungsfähigkeit, das starkes Vorwissen nutzen und leicht auf unbekannte reale Bilder verallgemeinern kann. Nach dem Training mit synthetischen Daten lässt sich das Modell gut auf unbekannte reale Bilder verallgemeinern und passt Tiefenbilder genau an.

Im Vergleich zu anderen hochmodernen Modellen erhält DepthFM mit nur einer Funktionsauswertung deutlich klarere Bilder. Die Tiefenschätzung von Marigold dauert doppelt so lange wie die von DethFM, kann jedoch keine Tiefenkarten mit derselben Granularität erstellen.

4. Hauptbeiträge

(1) Vorgeschlagenes DepthFM, ein hochmodernes, vielseitiges und schnelles monokulares Tiefenschätzungsmodell. Zusätzlich zu herkömmlichen Tiefenschätzungsaufgaben demonstriert DepthFM auch hochmoderne Fähigkeiten bei nachgelagerten Aufgaben wie Tiefeninpainting und tiefenkonditionierter Bildsynthese.

(2) demonstriert die erfolgreiche Übertragung starker Bild-Prioritäten von Diffusionsmodellen auf Flow-Matching-Modelle, wobei die Abhängigkeit von Trainingsdaten gering ist und keine Bilder aus der realen Welt erforderlich sind.

(3) zeigt, dass das Flow-Matching-Modell effizient ist und Tiefenkarten innerhalb eines einzigen Inferenzschritts synthetisieren kann.

(4) Obwohl DepthFM nur auf synthetische Daten trainiert wurde, schneidet es bei Benchmark-Datensätzen und natürlichen Bildern gut ab.

(5) Verwenden Sie den Oberflächennormalverlust als Hilfsziel, um eine genauere Tiefenschätzung zu erhalten.

(6) Zusätzlich zur Tiefenschätzung kann auch die Zuverlässigkeit seiner Vorhersage zuverlässig vorhergesagt werden.

5. Was ist das konkrete Prinzip?

Trainingspipeline. Das Training ist durch Flussanpassung und Oberflächennormalverlust begrenzt: Für Flussanpassung wird datenabhängiges Flussanpassung verwendet, um das Vektorfeld zwischen der Grundwahrheitstiefe und dem entsprechenden Bild zurückzubilden. Darüber hinaus wird geometrischer Realismus durch einen Oberflächennormalenverlust erreicht.

Datenbezogener Flussabgleich: DepthFM regressiert das geradlinige Vektorfeld zwischen der Bildverteilung und der Tiefenverteilung unter Verwendung von Bild-zu-Tiefen-Paaren. Dieser Ansatz fördert effizientes mehrstufiges Denken ohne Einbußen bei der Leistung.

Feinabstimmung von Diffusion Priors: Die Autoren demonstrieren die erfolgreiche Übertragung leistungsstarker Image Priors von einem Basisbildsynthese-Diffusionsmodell (Stable Diffusion v2-1) auf ein Flow-Matching-Modell, wobei kaum auf Trainingsdaten zurückgegriffen wird und keine echten Daten erforderlich sind -Weltbild.

Hilfsflächennormalverlust: Da DepthFM nur auf synthetischen Daten trainiert wird und die meisten synthetischen Datensätze bodenwahre Oberflächennormalen liefern, wird der Oberflächennormalverlust als Hilfsziel verwendet, um die Genauigkeit der DepthFM-Tiefenschätzung zu verbessern.

6. Experimentelle Ergebnisse Tabelle 1 zeigt qualitativ den Leistungsvergleich von DepthFM mit entsprechenden Modellen auf dem neuesten Stand der Technik. Während andere Modelle für das Training häufig auf große Datensätze angewiesen sind, nutzt DepthFM das umfangreiche Wissen, das dem zugrunde liegenden diffusionsbasierten Modell innewohnt. Diese Methode spart nicht nur Rechenressourcen, sondern betont auch die Anpassungsfähigkeit und Trainingseffizienz des Modells.

Vergleich der diffusionsbasierten Marigold-Tiefenschätzung, des Flow Matching (FM)-Benchmarks und des DepthFM-Modells. Jede Methode wird mit nur einem Ensemblemitglied und mit unterschiedlicher Anzahl von Funktionsauswertungen (NFE) an zwei gemeinsamen Benchmark-Datensätzen evaluiert. Im Vergleich zur FM-Basislinie integriert DepthFM den normalen Verlust und die datenabhängige Kopplung während des Trainings.

Qualitative Ergebnisse für Marigold- und DepthFM-Modelle in unterschiedlicher Anzahl funktionaler Auswertungen. Es ist erwähnenswert, dass Marigold durch einstufige Inferenz keine aussagekräftigen Ergebnisse liefert, während die Ergebnisse von DepthFM bereits die tatsächliche Tiefenkarte zeigen.

Tiefenvervollständigung auf Hypersim. Links: Etwas Tiefe verleihen. Mittel: Tiefe, geschätzt aus der angegebenen Teiltiefe. Rechts: Wahre Tiefe.

7. Zusammenfassung

DepthFM, eine Flow-Matching-Methode zur monokularen Tiefenschätzung. Durch das Erlernen einer direkten Zuordnung zwischen dem Eingabebild und der Tiefe, anstatt eine Normalverteilung in eine Tiefenkarte zu entrauschen, ist dieser Ansatz deutlich effizienter als aktuelle diffusionsbasierte Lösungen und liefert dennoch feinkörnige Tiefenkarten ohne gemeinsame Artefakte des diskriminierenden Paradigmas . DepthFM verwendet als Vorstufe ein vorab trainiertes Bilddiffusionsmodell und überträgt es effektiv auf ein Deep-Flow-Matching-Modell. Daher wird DepthFM nur auf synthetische Daten trainiert, lässt sich aber während der Inferenz dennoch gut auf natürliche Bilder verallgemeinern. Darüber hinaus hat sich gezeigt, dass der zusätzliche Verlust der Oberflächennormalen die Tiefenschätzung verbessert. Der leichtgewichtige Ansatz von DepthFM ist wettbewerbsfähig, schnell und liefert zuverlässige Vertrauensschätzungen.

Leser, die an weiteren experimentellen Ergebnissen und Artikeldetails interessiert sind, können den Originalartikel lesen

Das obige ist der detaillierte Inhalt vonOpen Source! Jenseits von ZoeDepth! DepthFM: Schnelle und genaue monokulare Tiefenschätzung!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!