제안된 DepthFM: 다양하고 빠른 최첨단 생성 단안 깊이 추정 모델. DepthFM은 전통적인 깊이 추정 작업 외에도 깊이 인페인팅과 같은 다운스트림 작업에서 최첨단 기능을 보여줍니다. DepthFM은 효율적이며 몇 가지 추론 단계 내에서 깊이 맵을 합성할 수 있습니다.
이 작품을 함께 읽어보세요~
제목: DepthFM: Fast Monocular Depth Estimation with Flow Matching
저자: Ming Gui, Johannes S. Fischer, Ulrich Prestel, Pingchuan Ma, Dmytro Kotovenko, Olga Grebenkova, Stefan Andreas Baumann, Vincent Tao Hu, Björn Ommer
기관: MCML
원본 링크: https://arxiv.org/abs/2403.13788
코드 링크: https://github.com/ CompVis/깊이 -fm
공식 홈페이지: https://lengthfm.github.io/
은 많은 하류 관광 작업 및 응용 프로그램에 중요합니다. 이 문제에 대한 현재 판별 방법은 흐림 현상으로 인해 제한되는 반면, 최첨단 생성 방법은 SDE 특성으로 인해 훈련 샘플 속도가 느려지는 문제가 있습니다. 노이즈로 시작하는 대신 입력 이미지에서 깊이 이미지로의 직접 매핑을 추구합니다. 솔루션 공간의 직선 궤적이 효율성과 높은 품질을 제공하므로 흐름 일치를 통해 효율적으로 구성할 수 있음을 관찰했습니다. 우리의 연구는 사전 훈련된 이미지 확산 모델이 흐름 매칭의 심층 모델에 대한 충분한 사전 지식으로 사용될 수 있음을 보여줍니다. 복잡한 자연 장면의 벤치마크에서 우리의 경량 접근 방식은 소량의 합성 데이터로만 교육을 받았음에도 불구하고 유리하게 낮은 계산 비용으로 최첨단 성능을 보여줍니다.
DepthFM은 강력한 제로샷 일반화 능력을 갖춘 빠른 추론 흐름 매칭 모델로, 강력한 사전 지식을 활용하고 알려지지 않은 실제 이미지로 쉽게 일반화할 수 있습니다. 합성 데이터를 학습한 후 모델은 알려지지 않은 실제 이미지에 대해 잘 일반화하고 깊이 이미지를 정확하게 일치시킵니다.
DepthFM은 단 한 번의 기능 평가만으로 다른 최신 모델에 비해 훨씬 더 선명한 이미지를 얻습니다. Marigold의 깊이 추정은 DethFM보다 두 배나 오래 걸리지만 동일한 세분성으로 깊이 맵을 생성할 수는 없습니다.
(1) 최첨단의 다목적이며 빠른 단안 깊이 추정 모델인 DepthFM을 제안했습니다. DepthFM은 전통적인 깊이 추정 작업 외에도 깊이 인페인팅 및 깊이 조절 이미지 합성과 같은 다운스트림 작업에서 최첨단 기능을 보여줍니다.
(2)는 훈련 데이터에 거의 의존하지 않고 실제 이미지가 필요하지 않은 확산 모델에서 흐름 일치 모델로 강력한 사전 이미지를 성공적으로 전송하는 것을 보여줍니다.
(3)은 흐름 매칭 모델이 효율적이며 단일 추론 단계 내에서 깊이 맵을 합성할 수 있음을 보여줍니다.
(4) 합성 데이터에 대해서만 교육을 받았음에도 불구하고 DepthFM은 벤치마크 데이터세트와 자연 이미지에서 좋은 성능을 발휘합니다.
(5) 보다 정확한 깊이 추정을 얻으려면 표면 법선 손실을 보조 목표로 사용합니다.
(6) 깊이 추정 외에도 예측의 신뢰도도 안정적으로 예측할 수 있습니다.
훈련 파이프라인. 훈련은 흐름 일치 및 표면 법선 손실로 인해 제한됩니다. 흐름 일치의 경우 데이터 종속 흐름 일치를 사용하여 실제 깊이와 해당 이미지 사이의 벡터장을 회귀합니다. 또한 기하학적 현실감은 표면 법선 손실을 통해 달성됩니다.
데이터 관련 흐름 매칭: DepthFM은 이미지 대 깊이 쌍을 활용하여 이미지 분포와 깊이 분포 사이의 직선 벡터장을 회귀합니다. 이 접근 방식은 성능 저하 없이 효율적인 여러 단계 추론을 촉진합니다.
확산 사전 변수의 미세 조정: 저자는 훈련 데이터에 거의 의존하지 않고 실제 데이터가 필요 없는 기본 이미지 합성 확산 모델(Stable Diffusion v2-1)에서 흐름 일치 모델로 강력한 이미지 사전 변수를 성공적으로 전송하는 방법을 보여줍니다. -세계 이미지.
보조 표면 법선 손실: DepthFM이 합성 데이터에만 훈련되고 대부분의 합성 데이터 세트가 실제 표면 법선을 제공한다는 점을 고려하면 표면 법선 손실은 DepthFM 깊이 추정의 정확성을 높이기 위한 보조 목표로 사용됩니다.
DepthFM은 63k개의 순수 합성 샘플에 대해서만 학습하여 상당한 일반화 기능을 보여 주며 실내 및 실외 데이터 세트에 대한 제로 샷 깊이 추정이 가능합니다. 표 1은 DepthFM과 최신 해당 모델의 성능 비교를 정성적으로 보여줍니다. 다른 모델은 훈련을 위해 대규모 데이터 세트에 의존하는 경우가 많지만 DepthFM은 기본 확산 기반 모델에 내재된 풍부한 지식을 활용합니다. 이 방법은 컴퓨팅 리소스를 절약할 뿐만 아니라 모델의 적응성과 훈련 효율성을 강조합니다.
확산 기반 Marigold 깊이 추정, FM(Flow Matching) 벤치마크 및 DepthFM 모델 비교. 각 방법은 하나의 앙상블 멤버만 사용하고 두 개의 공통 벤치마크 데이터 세트에 대한 다양한 수의 함수 평가(NFE)를 사용하여 평가됩니다. FM 기준과 비교하여 DepthFM은 훈련 중 정상 손실과 데이터 종속 결합을 통합합니다.
다양한 기능 평가를 통해 Marigold 및 DepthFM 모델에 대한 정성적 결과를 얻었습니다. 주목할 점은 Marigold는 1단계 추론을 통해 의미 있는 결과를 제공하지 않는 반면, DepthFM의 결과는 이미 실제 깊이 맵을 보여줍니다.
Hypersim의 깊이 완성. 왼쪽: 깊이를 더합니다. 중간: 주어진 부분 깊이로부터 추정된 깊이입니다. 오른쪽: 진정한 깊이.
DepthFM, 단안 깊이 추정을 위한 흐름 매칭 방법입니다. 정규 분포를 깊이 맵으로 제거하는 대신 입력 이미지와 깊이 사이의 직접 매핑을 학습함으로써 이 접근 방식은 현재의 확산 기반 솔루션보다 훨씬 효율적이면서도 차별적 패러다임의 공통 아티팩트 없이 세분화된 깊이 맵을 제공합니다. . DepthFM은 사전 훈련된 이미지 확산 모델을 사전에 사용하여 이를 심층 흐름 매칭 모델로 효과적으로 전달합니다. 따라서 DepthFM은 합성 데이터에 대해서만 교육을 받았지만 추론 중에 자연 이미지에 대해 여전히 잘 일반화됩니다. 추가적으로, 보조 표면 법선 손실은 깊이 추정을 향상시키는 것으로 나타났습니다. DepthFM의 경량 접근 방식은 경쟁력 있고 빠르며 신뢰할 수 있는 신뢰도 추정을 제공합니다.
더 많은 실험 결과와 기사 내용에 관심이 있는 독자들은 원본 논문을 읽어보실 수 있습니다
위 내용은 오픈 소스! ZoeDepth를 넘어! DepthFM: 빠르고 정확한 단안 깊이 추정!의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
