Что такое monocular depth estimation и какие модели (MiDaS, Depth Anything)?

Monocular depth estimation — это задача компьютерного зрения, направленная на восстановление глубины сцены из одного (моно) изображения. Цель — получить карту глубины, где каждому пикселю соответствует расстояние до объекта, что позволяет создавать 3D-представления из 2D-изображений.

Модели MiDaS и Depth Anything — современные нейросетевые подходы для monocular depth estimation:

• MiDaS (Mixed Depth and Scale) — обученная на большом наборе данных модель, способная предсказывать относительную глубину с хорошей точностью и обобщаемостью на разные сцены. Используется для создания глубинных карт, которые можно применять в AR, 3D-реконструкции и др.

• Depth Anything — более новая модель, ориентированная на универсальность и интеграцию с другими инструментами (например, сегментацией объектов), позволяющая получать глубину для различных типов изображений и видео.

Обе модели используют сверточные нейронные сети и обучаются на больших датасетах с разметкой глубины, что позволяет им эффективно восстанавливать 3D-информацию из одного кадра.