蚂蚁集团旗下的灵波科技发布了空间感知模型LingBot-Depth 2.0，该模型基于1.5亿数据训练，显著提升了深度估计和物体识别能力，尤其在透明和反光物体的识别上表现优异。同时，灵波推出了视觉基座模型LingBot-Vision，增强了机器人视觉能力。这两者的结合将推动机器人技术的商业化应用，助力行业发展。
香港科技大学（广州）团队提出的DVD模型通过一次前向传播实现视频深度估计，提升了推理效率，解决了几何幻觉问题。该模型在多个基准测试中表现优异，仅需36.7万帧训练数据，显著降低了成本，为视频三维感知提供了新技术路线。
三维空间感知是自动驾驶和机器人领域的核心能力，旨在从二维图像恢复真实世界的空间结构。Meta与普林斯顿大学提出的VLM³框架，基于标准视觉语言模型，统一了物体级三维理解和公制深度估计等任务，显著提升了模型在细粒度三维感知中的表现。研究表明，通用视觉语言模型在三维表征能力上超出预期，为三维视觉领域的统一基础模型提供了新依据。
本文介绍了一个深度估计模型的实现，使用Microsoft.ML.OnnxRuntime和OpenCvSharp库。用户可以选择图片进行深度推理，程序处理图像并生成深度彩色图，支持保存结果。详细说明了模型路径和输入输出张量的设置。
字节跳动的Depth Anything 3（DA3）模型通过单一Transformer实现深度和姿态估计，简化了三维视觉任务的处理，并刷新了多项基准测试记录。
Depth Anything 3（DA3）是字节跳动Seed团队推出的视觉几何模型，采用单一Transformer架构，简化多任务学习，能够从任意视角预测空间几何结构。实验表明，DA3在相机姿态和深度估计任务中表现优异，刷新多项性能记录。
本研究提出了JointDiT模型，通过扩散变换器增强RGB和深度的联合建模。采用自适应调度权重和不平衡时间步采样策略，JointDiT显著提升了图像生成和深度估计的性能，展现了在多种生成任务中的应用潜力。
该研究提出DFI-OmniStereo，一种新型全向立体匹配方法，利用预训练模型提升深度估计准确性。在不同环境和光照条件下表现优异，在Helvipad数据集上均方根误差降低约16%。
Co-SemDepth是一种实时系统，能够同时进行语义分割和深度估计，处理速度达到111 FPS。该系统在NVIDIA Jetson Orin AGX上运行，采用共享编码器和特定任务解码器，显著提升了计算效率，超越了单任务模型。
UniVG是一种通用图像生成扩散模型，支持多种任务如图像生成、修复和编辑。它将多模态输入视为统一条件，研究表明T2I生成与其他任务共存且无性能损失，辅助任务如深度估计可提升编辑效果。该模型在某些基准测试中超越特定任务模型，标志着统一图像生成的重要进展。
本研究提出了Endo3DAC框架，旨在提高内窥镜三维场景重建中的自监督学习效率。通过冻结基础模型并训练新设计的GDV-LoRA，显著提升了深度和姿态估计的准确性，同时保持训练效率。
本研究提出了一种新型卷积神经网络USAM-Net，通过结合立体图像和语义分割图，提升自动驾驶和增强现实中的深度估计精度。实验结果表明，USAM-Net在多个指标上优于传统模型，显示出其在高精度深度数据需求中的潜力。
地瓜机器人与中科院合作提出MODEST框架，通过单张RGB图像实现透明物体的深度估计和语义分割，显著提升抓取精度并降低成本。该技术已入选ICRA 2025，适用于智能工厂等场景。
本研究提出了一种新框架，利用深度卷积神经网络的潜在空间特征，解决单目深度估计中的边界定义问题。新损失函数在NYU Depth V2数据集上设立了新基准，特别适用于复杂室内场景，推动了人机交互和3D重建应用的发展。
该研究提出了一种新颖的双分支架构MetaFE-DE，用于内窥镜图像的深度估计。该方法结合全局和局部特征提取，在深度估计基准测试中表现优异，帮助外科医生更好地理解手术中的三维结构。
本文综述了深度估计领域，重点讨论深度学习方法如何解决传统技术的泛化能力不足。研究整合了多种深度学习模型和数据集，结果表明深度学习在深度估计中展现出巨大潜力。
本研究探讨了单眼深度估计模型在相对姿态估计中的应用不足，提出三种求解器，结合经典方法显著提升了深度估计效果。实验结果表明，该方法在不同条件下优于传统解决方案。
本研究提出了一种深度适应任何相机（DAC）框架，旨在解决鱼眼和360度相机的深度估计问题。DAC通过统一图像表示，提高了多种视场相机的准确性，实现了零样本度量的深度估计。
该研究提出了一种名为V$^2$-SfMLearner的新方法，结合振动信号与视觉信号，以提高胶囊内窥镜视频中的深度和运动估计准确性，有效消除振动干扰，提升消化系统检查的实时性和可靠性。
本研究探讨跨视角补全学习，填补自监督对应学习的分析空白。研究发现，跨注意力图能更有效地捕捉对应关系，并在零-shot 匹配和多帧深度估计中表现优异，显示出良好的应用潜力。
完成下面两步后，将自动完成登录并继续当前操作。
