本研究提出了一种新的框架，通过利用3D食物模型和场景中的物理参考，从2D图像中估计食物的容量和能量。该方法通过重现具有估计姿态的食物的3D模型图像，来估计输入图像中摄像头和食物物体的姿态。我们还介绍了一个新的数据集，SimpleFood45，其中包含45种食物的2D图像和相应的注释，包括食物的容量、重量和能量。我们的方法在这个数据集上的平均误差为31.10千卡（17.67%），表现优于现有的分量估计方法。

该文章介绍了一种基于能量估计的跨域语义分割的自适应模型（SMART），利用自监督深度估计获得任务自适应特征，并通过能量评估方法提高深度引导的有效性。实验结果显示该方法显著提升了性能。