计算机应用研究

作者：尹倩,陈云浩,赵莉,杨松妍,唐嘉宁,

单位：云南民族大学a.电气信息工程学院;b.云南省无人自主系统重点实验室,昆明650500；

关键词：高分辨率单目深度估计,多尺度特征融合,分块策略,损失函数,

基金：国家自然科学基金资助项目(62105279,62401499)；云南省应用基础研究基金资助项目(202201AU070047,202401CF070074)；云南省重大科技项目及重点研发计划资助项目(202403ZC380002)；；

针对高分辨率单目深度估计中低分辨率训练难以适配高分辨率输入、细节丢失和误差逐层累积，以及消费级深度相机深度图噪声大、空洞多的问题，提出一种基于分块融合的高分辨率深度估计框架，充分利用低分辨率图像的全局结构一致性与高分辨率图像的局部细节优势，提升深度估计性能。方法包括：构建DA-ZoeDepth模型，结合Depth Anything的DPT-DINOV编码器和ZoeDepth解码器，实现全局粗略深度估计与分块局部精细深度估计；设计高低频特征融合模块（HLAEM）和引导融合网络（GFN），实现全局和局部深度图的尺度一致融合；引入一致性损失（Lconsist），优化块间拼接边界的连续性。实验结果表明，在UnrealStereo4K和MVS-Synth数据集上，所提方法相较于BoostingDepth分别降低REL误差约0.005和0.009 2，降低RMSE 0.046与SILog 1.189，在Middlebury 2021数据集上展现出优异的零样本泛化能力。结论表明，所提方法能够有效提升高分辨率深度图的细节保真度与全局一致性，为增强现实、自动驾驶等高精度场景提供了一种鲁棒高效的解决方案。

来源：2026年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第5期