EVENT DOSSIER
2026 年 9 月 4 日，arXiv cs.CV 发布 CrossDepth 方法，旨在解决相机内参差异及单张图像感受野有限导致的跨图像深度估计不一致问题。该方法通过条件化特征引入像素级相机感知射线嵌入以应对内参差异，并利用基于标定装置的几何合理区域扩展跨图像注意力机制。模型采用光度一致性在完全自监督方式下训练，并在 DDAD 和 nuScenes 数据集上验证。实验表明，相比最先进的自监督方法，CrossDepth 在域内和域外评估中均提升了整体深度精度与跨图像深度一致性。相关代码已公开。
CrossDepth 提出一种基于几何约束的注意力机制，用于通用多视角周边深度估计。该方法通过条件化特征以像素级相机感知射线嵌入解决相机内参差异问题，并利用源自标定装置设置的几何合理区域扩展跨图像注意力以缓解受限感受野导致的跨图像不一致性…
CrossDepth 提出一种基于几何约束的注意力机制，用于提升通用多视角周边深度估计的准确性。该方法针对相机内参差异和单张图像感受野有限导致的跨图像不一致问题，通过条件化特征以像素级相机感知射线嵌入解决前者，利用源自标定装置配置的几何合…
CrossDepth 提出一种基于几何约束的注意力机制，用于通用多视角周边深度估计。该方法通过条件化特征以像素级相机感知射线嵌入解决相机内参差异问题，并利用源自标定装置设置的几何合理区域扩展跨图像注意力以缓解受限感受野导致的跨图像不一致性。模型采用基于光度一致性的全自监督方式训练。在 DDAD 和 nuScenes 数据集上的评估显示，与最先进的自监督方法相比，CrossDepth 在域内和域外测试中均实现了整体深度精度和跨图像深度一致性方面的提升。代码已开源。
CrossDepth 提出一种基于几何约束的注意力机制，用于提升通用多视角周边深度估计的准确性。该方法针对相机内参差异和单张图像感受野有限导致的跨图像不一致问题，通过条件化特征以像素级相机感知射线嵌入解决前者，利用源自标定装置配置的几何合理区域扩展跨图像注意力解决后者。模型基于光度一致性在完全自监督方式下训练，并在 DDAD 和 nuScenes 数据集上验证，相比最先进的自监督方法在域内和域外评估中均实现了整体深度精度与跨图像深度一致性的提升。相关代码已公开。