搜尋意圖： 如果你在找「深度估計 是什麼」或「深度估計 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 從2D影像推斷場景的3D深度資訊，用於3D重建、機器人導航、AR應用和自動駕駛。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
從2D影像推斷場景的3D深度資訊，用於3D重建、機器人導航、AR應用和自動駕駛。
核心概念
深度估計面臨一個基本挑戰：深度資訊在2D投影時丟失。透視投影將3D點 (X, Y, Z) 映射為2D像素 (x, y) = (fX/Z, fY/Z)，其中Z是深度。單張2D影像無法唯一復原Z。傳統解決方案是立體視覺（Stereo Vision），利用雙眼視差復原深度；現代方案是單眼深度估計，通過學習幾何和語義線索推斷深度。
深度估計輸出是深度圖（Depth Map），其值為每像素到相機的距離。深度圖分辨率與輸入影像相同，是密集的3D復原結果。深度圖可轉換為點雲（Point Cloud）或網格（Mesh），支撐後續的3D處理。
深度估計分為多視深度估計（利用多幀約束）和單眼深度估計（利用單幀）。多視方法精度高但需要控制相機運動；單眼方法實用性強，現已成為主流。
運作原理
立體視覺方法基於視差原理。左右相機看同一物體，物體在兩幀影像中的水平位置不同（視差）。視差與深度成反比：
Z = (f * baseline) / disparity，其中f是焦距，baseline是雙眼距離。立體匹配演算法搜尋左影像中的像素在右影像中的對應位置，計算視差。傳統方法如SSD（Sum of Squared Differences）進行局部相似度計算；現代方法如GCNet用深度學習進行代價體（Cost Volume）優化。單眼深度估計採用監督或自監督學習。監督方法用CNN編碼器-解碼器架構，編碼器提取特徵，解碼器逐步上採樣生成深度圖。Depth Completion方法結合稀疏LiDAR和影像，補全缺失的深度點。
自監督單眼深度估計利用多幀影像的運動線索，無需深度標籤。相鄰幀間的視差關係給出自監督信號：如果深度估計正確，用估計深度和光流可從一幀重建相鄰幀。重建誤差即為損失函數。Monodepth系列就基於此原理，在無人工標籤的視頻上訓練。
Transformer架構如DPT（Dense Prediction Transformer）進一步提升精度。Transformer的全局視野幫助模型理解整體場景結構，不僅依賴局部紋理。
實際應用
3D重建是深度估計的經典應用。從影像序列估計深度圖，多幀深度圖融合成統一的3D模型或點雲。SLAM和SfM（Structure from Motion）都依賴深度或視差。
自動駕駛需實時深度估計障礙物距離。雷達提供稀疏深度測量，深度估計從攝像機填補缺失區域，提供稠密的環境理解，支撐碰撞檢測和路徑規劃。
機器人視覺導航利用深度圖進行障礙物檢測和避障。機械臂需估計物體深度以定位抓取點；移動機器人需深度圖進行室內導航。
增強實境依賴深度估計實現虛實融合。AR濾鏡需估計用戶臉部深度，才能準確疊加虛擬眼鏡、鬍子等，與真實面部對齊。
醫療成像中，深度估計支撐內窺鏡導航。醫生觀察內窺鏡影像時，深度估計幫助理解內部器官的3D位置。
常見誤區
誤區一：單眼深度估計無法達到立體視覺精度。實際上，現代監督型單眼方法（用深度標籤訓練）在室內場景精度已接近立體視覺，自監督方法在動態場景也表現不俗。
誤區二：深度圖的邊界處總是不準。深度邊界確實困難（物體遮擋導致），但多層重加權的邊界處理能改善。應用中這類細節誤差往往可容忍。
誤區三：高深度估計精度自動提升下游任務。實際上，深度是中間表達，下游任務（如檢測）還受其他設計影響。深度精度改進幅度超過一定閾值後，收益遞減。
與相關技術的比較
深度估計 vs 立體視覺：立體視覺通過視差復原深度，需雙攝或已知相機位姿；深度估計从單影像學習，實用但精度依賴訓練資料。
深度估計 vs LiDAR：LiDAR主動測距，精度高計算快，但成本高且受光照影響小。深度估計被動依賴影像，成本低泛化強。兩者常互補使用。
深度估計 vs 光流：光流估計像素運動，深度從運動反向推導3D結構。光流更基礎，深度估計利用光流等多種線索。
常見問題
為什麼單眼深度估計可能比立體視覺更精確？
傳統立體視覺受限於視差搜尋的離散性和歧義性。視差通常限制在有限範圍（如0-64像素），分辨率受此限制。紋理貧瘠區域難以匹配。現代單眼深度估計用深度學習直接迴歸連續深度值，無離散量化。訓練資料豐富時，模型學到豐富的幾何和語義線索：物體大小、位置、遮擋關係、透視變形等，綜合推斷深度。在紋理貧瘠區域也能從高層語義推斷（如已知汽車大小，可估計距離）。當訓練資料質量高、分佈廣時，單眼方法精度可超立體視覺。但單眼方法泛化到訓練域外時性能下降，而立體視覺原理簡單泛化強。
自監督單眼深度估計為什麼有效？
自監督方法利用視頻序列提供的自然監督信號。核心思想是一致性檢查：如果深度估計和光流都正確，用前幀和估計深度以及光流，應能重建當前幀。重建誤差（photometric loss）作為損失函數，無需人工標籤。這在視覺上合理：移動相機或場景中，不同部分應有一致的運動模式。自監督避免了昂貴的深度標註，能在任意視頻上訓練。缺點是遮擋和邊界處理困難，需加掩模分支。該方法已成功應用於無人車和無人機。
深度估計在自動駕駛中如何與其他感測器融合？
自動駕駛系統多感測器融合。攝像機通過深度估計或立體視覺提供稠密環境理解，優勢是成本低精度高、能捕捉紋理細節。雷達提供稀疏但精確的距離測量和速度估計，優勢是全天候（不怕光照）、抗遮擋。深度圖和雷達點雲可在多個層級融合。早期融合將兩者在特徵層結合，後期融合在決策層合併。特徵級融合需設計統一表達，點雲通常轉為深度圖或柱狀表達。多感測器融合提升了感知冗餘性和可靠性，是安全自動駕駛的基石。