深度估计是什么？从一张照片推算出远近距离

深度估计（Depth Estimation）是从二维图像推断场景远近的计算机视觉技术。普通照片只记录了颜色，丢失了距离信息；深度估计要为图像中的每个像素预测一个深度值，也就是这个点离相机有多远，结果通常表示为一张深度图，近处亮、远处暗（或者反过来）。有了深度信息，机器才能理解场景的空间关系：哪个物体在前、哪个在后，路面有多远，伸手能不能够到。

传统做法：靠硬件

早期获取深度主要依赖专门的传感器或多个相机。双目视觉模仿人的两只眼睛，用两个相机从略微不同的角度拍摄，通过比较同一点在两张图里的位置差（视差）计算距离。结构光向场景投射特定的光斑图案，根据图案变形推算深度，早期的 Kinect 就用了这种方法。激光雷达则直接测量激光往返的时间。这些方法精度较高，但都需要额外的硬件。

单目深度估计

只用一张普通照片能不能估计深度？人类可以凭经验做到：近大远小、遮挡关系、纹理变化、雾气。2014 年，纽约大学的 David Eigen 等人用深度神经网络解决这个问题：先用一个网络根据整张图做粗略的全局预测，再用另一个网络在局部细节上做精细修正。他们指出这个任务的难点在于本质上的歧义，尤其是整体尺度无法确定（一张玩具房子的照片和真房子的照片可能看起来一样），所以引入了对尺度不敏感的损失函数。这项工作开启了用深度学习做单目深度估计的方向。

近年来，MiDaS、Depth Anything 等模型在海量多样的数据上训练，单目深度估计的泛化能力大幅提升，几乎能对任何照片给出质量不错的深度图。

应用

自动驾驶和机器人用它感知周围环境、避障和规划路径；手机拍照用它实现人像模式的背景虚化；增强现实用它让虚拟物体正确地放在真实桌面上、被真实物体遮挡；三维重建、视频特效和 AI 图像生成中的深度控制，也都依赖深度估计。