🚀 Prompt-Depth-Anything-Vitl

Prompt Depth Anything 是一种高分辨率且准确的度量深度估计方法，它能有效解决深度估计领域中分辨率和精度不足的问题，为 3D 重建和机器人抓取等下游应用提供有力支持。

🚀 快速开始

本模型与 Hugging Face Transformers 兼容，具体使用方法可参考 文档。

💻 使用示例

基础用法

import requests
from PIL import Image
from transformers import PromptDepthAnythingForDepthEstimation, PromptDepthAnythingImageProcessor

url = "https://github.com/DepthAnything/PromptDA/blob/main/assets/example_images/image.jpg?raw=true"
image = Image.open(requests.get(url, stream=True).raw)

image_processor = PromptDepthAnythingImageProcessor.from_pretrained("depth-anything/prompt-depth-anything-vitl-hf")
model = PromptDepthAnythingForDepthEstimation.from_pretrained("depth-anything/prompt-depth-anything-vitl-hf")

prompt_depth_url = "https://github.com/DepthAnything/PromptDA/blob/main/assets/example_images/arkit_depth.png?raw=true"
prompt_depth = Image.open(requests.get(prompt_depth_url, stream=True).raw)

inputs = image_processor(images=image, return_tensors="pt", prompt_depth=prompt_depth)
with torch.no_grad():
    outputs = model(**inputs)
post_processed_output = image_processor.post_process_depth_estimation(
    outputs,
    target_sizes=[(image.height, image.width)],
)

predicted_depth = post_processed_output[0]["predicted_depth"]

✨ 主要特性

• 受视觉语言模型（VLM）和大语言模型（LLM）中提示技术成功的启发，采用提示技术释放深度基础模型的潜力。
• 以广泛可用的 iPhone LiDAR 作为提示，引导模型生成高达 4K 分辨率的准确度量深度。
• 引入可扩展的数据管道来训练该方法。
• 该方法有利于下游应用，包括 3D 重建和通用机器人抓取。

📄 许可证

本项目采用 Apache-2.0 许可证。

📚 详细文档

如果您觉得本项目有用，请考虑引用以下文献：

@inproceedings{lin2024promptda,
  title={Prompting Depth Anything for 4K Resolution Accurate Metric Depth Estimation},
  author={Lin, Haotong and Peng, Sida and Chen, Jingxiao and Peng, Songyou and Sun, Jiaming and Liu, Minghuan and Bao, Hujun and Feng, Jiashi and Zhou, Xiaowei and Kang, Bingyi},
  journal={arXiv},
  year={2024}
}