Distill-Any-Depth：单目深度估计器

一、教程简介

Distill-Any-Depth 是由浙江工业大学、西湖大学、河南大学、新加坡国立大学于 2025 年 2 月 28 日联合发布的创新性单目深度估计项目。该项目通过蒸馏算法整合多个开源模型的优势，仅需少量无标签数据即可实现高精度深度估计，刷新了当前 SOTA（State-of-the-Art）性能。相关论文成果为「Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator」。

以下是其核心要点：

• 多教师蒸馏框架
  • 通过随机选择多个教师模型生成伪标签，综合不同模型的优势，提升伪标签质量。
  • 引入跨上下文蒸馏机制，结合局部细节与全局信息，显著增强模型鲁棒性。
• 局部归一化策略
  • 传统全局归一化会放大噪声，该项目提出在裁剪区域内进行归一化，保留局部细节（如物体边缘、小孔结构），提升预测精度。
• 低数据依赖
  • 仅需 2 万张无标签图像（远低于传统方法百万级标注需求），大幅降低数据标注成本。
• 泛化能力
  • 在 NYUv2（室内）、 KITTI（户外驾驶）、 DIODE（复杂光照）等基准测试中，误差指标（AbsRel）显著优于前代模型。
• 鲁棒性
  • 在透明物体、反射表面及动态场景中表现稳定，解决了传统模型在复杂条件下的失效问题。
• 效率
  • 推理速度较基于 Diffusion 的模型（如 Marigold）提升 10 倍以上，支持实时应用。

该教程算力资源采用单卡 RTX 4090 。

二、效果展示

三、运行步骤

1. 启动容器

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。

2. 使用步骤

结果 

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

本项目引用信息如下：

@article{he2025distill,
  title   = {Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator},
  author  = {Xiankang He and Dongyan Guo and Hongji Li and Ruibo Li and Ying Cui and Chi Zhang},
  year    = {2025},
  journal = {arXiv preprint arXiv: 2502.19204}
}