OptiGeo：高效的单目几何结构，可在具有光学挑战性的场景中实现具体感知

单目深度估计已经实现了强大的开放域泛化，但在透明、反射和镜面环境中可靠的机器人部署仍然很困难，在这些环境中，深度传感器经常产生缺失或偏差的深度。现有方法通常通过特定于场景的预处理、辅助模块或事后 微调 来处理此类光学故障。虽然在受限环境中有效，但这些设计增加了架构冗余，并且可能过度专业化通用几何模型以缩小光学场景。我们重新审视这个问题，将其视为基本 模型训练 中的局部故障模式，并将传感器引起的监督偏差视为关键瓶颈：模型从光学挑战性区域中的有偏差的真实深度监督继承传感器故障模式。然后，我们介绍 OptiGeo，一个偏差感知训练框架，它使用干净几何教师和残差修剪对齐来恢复有偏差的真实监督。我们将透明度目标渲染重新定义为干净光学几何的紧凑源，而不是大型特定领域的 微调 集。只需一个小的目标渲染集，OptiGeo 就能学习透明物体和区域的几何结构，纠正真实传感器无法可靠监控的局部几何扭曲。尽管只有 30M 参数，OptiGeo 在透明场景基准测试中的性能优于更大的 300M 规模单目模型和十亿规模多视图基线，同时在一般零镜头深度和边界锐度方面保持竞争力。现实世界的导航案例进一步验证了其作为光学挑战性场景中高效感知模块的实用性。