⭐CVPR2025 单目视频深度估计新框架 Seurat

📄论文题目：Seurat: From Moving Points to Depth
✍️作者及机构：Seokju Cho1、Jiahui Huang2、Seungryong Kim1、Joon-Young Lee2（1KAIST AI；2Adobe Research）

🧩面临问题：单目视频的精确深度估计仍具挑战，因单视图几何存在固有模糊性，缺乏立体视觉等关键深度线索1。同时，单目视频序列中，动态物体的复杂运动以及长序列中深度估计的时间一致性维持困难，进一步增加了任务难度2。

🎯创新点及其具体研究方法：
1️⃣ 基于轨迹的深度推断框架：受人类通过观察物体运动时的大小和间距变化感知相对深度的启发，提出通过分析跟踪到的 2D 轨迹的空间关系和时间演变来推断相对深度。使用现成的点跟踪模型捕获 2D 轨迹，再利用空间和时间 Transformer 处理这些轨迹，直接推断随时间的深度变化1。
2️⃣ 双分支 Transformer 架构：为避免查询点分布不均导致的偏差，引入支持轨迹与查询轨迹的双分支设计。支持轨迹分支处理从图像均匀采样网格点得到的轨迹，捕获全局运动信息；查询轨迹分支处理用户定义的查询点轨迹，通过交叉注意力注入支持分支的运动信息，确保深度预测不受查询点分布偏差影响45。
3️⃣ 滑动窗口预测与窗口级损失函数：针对长视频序列处理导致的深度预测复杂不稳定问题，采用滑动窗口方式在较短片段中预测时间深度变化。设计窗口 - wise log-ratio 深度损失函数，使模型专注于相对深度变化的准确预测，提升学习相对深度的可靠性36。
4️⃣ 深度比率与度量深度结合策略：将预测的深度比率与现成的度量深度估计器结合，通过分段尺度匹配，将模型的时间深度变化与度量深度估计器的空间深度关系对齐，得到兼具时间稳定性和空间精确性的最终深度估计78。