您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202603-43
论文题目 VGGT-Metric: 一个基于VGGT的度量深度估计模型
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

VGGT-Metric: 一个基于VGGT的度量深度估计模型

首发时间:2026-03-04

王晓晖 1   

王晓晖(2000-),男,硕士研究生,主要研究方向:3D 计算机视觉、自动驾驶。

杨亚 1   

杨亚(1975-),男,副教授,主要研究方向:自动驾驶、目标检测

  • 1、北京邮电大学计算机学院(国家示范性软件学院),北京 100876

摘要:纯视觉深度估计在自动驾驶和三维感知等领域具有重要应用。近期提出的视觉几何基础Transformer(Visual Geometry Grounded Transformer, VGGT)在场景重建与相对深度估计任务上表现优异,但由于其缺乏对绝对物理尺度的感知能力,难以直接输出用于自动驾驶规划与控制的度量深度。针对这一“尺度模糊”难题,本文提出了一种端到端的度量深度估计模型 VGGT-Metric。该模型在原有 VGGT 架构的基础上,创新性地引入了可学习的尺度令牌。具体而言,本文充分利用自动驾驶场景中已知的相机标定先验,将相机内外参经多层感知机映射为特征嵌入,并将其注入至尺度令牌中。随后,该令牌与由 DINOv2 提取的图像特征共同送入交替的帧内与全局 Transformer 编码器中,通过自注意力机制实现全局尺度信息与局部视觉特征的充分交互。在解码阶段,本文设计了独立的尺度预测分支专门对尺度令牌进行解码以输出全局尺度因子,并将其与相对深度图相乘,从而实现完全免后处理的度量深度恢复。在 nuScenes 大规模自动驾驶数据集上的实验结果表明,相较于基线模型,本文方法在绝对相对误差等核心指标上取得了显著的性能提升,有效缓解了纯视觉深度估计中的尺度漂移问题。

关键词: 度量深度估计 视觉几何基础Transformer 尺度恢复 尺度建模 自动驾驶

For information in English, please click here

VGGT-Metric: A Metric Depth Estimation Model Based on VGGT

Xiaohui Wang 1   

王晓晖(2000-),男,硕士研究生,主要研究方向:3D 计算机视觉、自动驾驶。

Ya Yang 1   

杨亚(1975-),男,副教授,主要研究方向:自动驾驶、目标检测

  • 1、School of Computer Science(National Pilot Software Engineering School), Beijing University of Posts and Telecommunications, Beijing 100876

Abstract:Pure vision depth estimation plays a vital role in fields such as autonomous driving and 3D perception. The recently proposed Visual Geometry Grounded Transformer (VGGT) performs excellently in scene reconstruction and relative depth estimation tasks. However, due to its lack of absolute physical scale awareness, it struggles to directly output the metric depth required for autonomous driving planning and control. To address this scale ambiguity challenge, this paper proposes an end-to-end metric depth estimation model named VGGT-Metric. Building upon the original VGGT architecture, this model innovatively introduces a learnable scale token. Specifically, by fully leveraging the known camera calibration priors in autonomous driving scenarios, the camera intrinsic and extrinsic parameters are mapped into feature embeddings via a Multi-Layer Perceptron (MLP) and injected into the scale token. Subsequently, this token, along with image features extracted by DINOv2, is fed into alternating frame and global Transformer encoders, achieving thorough interaction between global scale information and local visual features through self-attention mechanisms. In the decoding phase, an independent scale prediction branch is designed to specifically decode the scale token and output a global scale factor, which is then multiplied by the relative depth map to achieve entirely post-processing-free metric depth recovery. Experimental results on the large-scale nuScenes autonomous driving dataset demonstrate that, compared to baseline models, our method achieves significant performance improvements on key metrics such as absolute relative error (Abs Rel), effectively mitigating the scale drift problem in pure vision depth estimation.

Keywords: metric depth estimation Visual Geometry Grounded Transformer scale recovery scale modeling autonomous driving

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
王晓晖,杨亚. VGGT-Metric: 一个基于VGGT的度量深度估计模型[EB/OL]. 北京:中国科技论文在线 [2026-03-04]. https://www.paper.edu.cn/releasepaper/content/202603-43.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

VGGT-Metric: 一个基于VGGT的度量深度估计模型