标题：浙大彭思达团队 × 理想研究：突破高分辨率深度细节缺失瓶颈

正文：
在单目深度估计领域，高分辨率输出已成为趋势，但实际应用中仍面临诸多问题。例如，在三维重建和自动驾驶等任务中，物体边缘模糊、细小结构丢失等问题依然存在。这些问题源于现有方法通常在固定分辨率下预测深度，再通过插值放大结果，导致细节区域的误差被放大。

针对这一瓶颈，浙江大学彭思达团队联合理想研究团队提出了一种新方法——《InfiniDepth: Arbitrary-Resolution and Fine-Grained Depth Estimation with Neural Implicit Fields》。该方法从深度表示方式入手，重新设计了高分辨率条件下的建模策略，并通过一系列实验验证其在几何细节恢复和三维任务中的优越性。

研究团队构建了Synth4K数据集，包含来自高质量游戏场景的5个子集，每个子集包含数百张3840×2160分辨率的RGB图像及对应深度图。实验结果显示，InfiniDepth在全图区域和高频细节区域均表现优异。例如，在Synth4K-1上，其δ1指标达到89.0%，显著优于主流方法；在高频区域，其性能下降幅度最小，且领先幅度达5至8个百分点。

此外，InfiniDepth在真实数据集（如KITTI、ETH3D）上的零样本评测也表现出色，证明其连续深度表示对真实场景具有良好的泛化能力。结合稀疏深度提示机制后，其在高精度尺度估计任务中进一步提升，尤其在复杂几何结构区域表现突出。

在新视角合成实验中，InfiniDepth生成的三维点云分布更均匀，减少了几何空洞和断裂现象，为视觉重建和自动驾驶提供了更稳定的几何基础。

研究团队指出，传统方法受限于离散网格预测，而InfiniDepth采用连续空间映射，可直接预测任意坐标位置的深度值，从根本上解决了插值带来的细节损失问题。消融实验进一步证实，连续深度表示和多尺度局部特征查询是性能提升的关键。

总体而言，InfiniDepth不仅在指标上取得突破，更揭示了高分辨率深度估计的核心瓶颈在于表示方式本身。这一研究为单目深度估计的未来发展提供了重要方向。

通讯作者彭思达现为浙江大学研究员，研究方向涵盖三维视觉与神经隐式表示，已在多项国际顶级会议和期刊发表论文，并获多项学术荣誉。他的研究致力于解决实际问题，推动技术在行业中的落地应用。

论文地址：https://arxiv.org/pdf/2601.03252
参考链接：https://pengsida.net/