AnchorD：利用因子图将单目深度预测对齐到公制尺度

密集而准确的深度估计对于机器人操纵、抓取和导航至关重要，但目前可用的深度传感器在透明、镜面和一般非朗伯表面上容易出错。为了减轻这些误差，大规模单目深度估计方法提供了强大的结构先验，但它们的预测可能在公制单位中存在偏差或错误缩放，从而限制了它们在机器人技术中的直接使用。因此，在这项工作中，我们提出了一个 无需训练 深度基础框架，该框架通过因子图优化从原始传感器深度的深度基础模型中锚定单目深度估计先验。我们的方法执行补丁式仿射对齐，将单目预测局部对齐到真实世界的公制深度，同时保留细粒度的几何结构和不连续性。为了便于在具有挑战性的现实条件下进行评估，我们引入了一个基准数据集，在存在非朗伯物体的情况下具有密集的场景范围 真值 深度。 真值是通过哑光反射喷涂和多相机融合获得的，克服了对先前数据集中使用的仅对象基于CAD的注释的依赖。跨不同传感器和领域的广泛评估表明，无需任何（重新）训练即可实现深度性能的持续改进。我们在 https://anchord.cs.uni-freiburg.de 上公开提供我们的实现。