许可协议：apache-2.0
标签：

• 视觉
• 深度估计

示例展示：

• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg
  示例标题：老虎
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg
  示例标题：茶壶
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg
  示例标题：宫殿

模型索引：

• 名称：dpt-large
  结果：
  • 任务：
    类型：单目深度估计
    名称：单目深度估计
    数据集：
    类型：MIX-6
    名称：MIX-6
    指标：
    • 类型：零样本迁移
      值：10.82
      名称：零样本迁移
      配置：零样本迁移
      已验证：否

模型详情：DPT-Large（又称MiDaS 3.0）

密集预测变换器（DPT）模型，基于140万张图像训练，用于单目深度估计。
该模型由Ranftl等人在论文《Vision Transformers for Dense Prediction》（2021年）中提出，并首次发布于此代码库。
DPT以视觉变换器（ViT）为骨干网络，并添加了用于单目深度估计的颈部与头部结构。

本模型卡由Hugging Face团队与英特尔联合编写。

使用方法

最简便的方式是利用管道API：

from transformers import pipeline

pipe = pipeline(task="depth-estimation", model="Intel/dpt-large")
result = pipe(image)
result["depth"]

若需自行实现完整逻辑，以下是零样本深度估计的代码示例：

from transformers import DPTImageProcessor, DPTForDepthEstimation
import torch
import numpy as np
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = DPTImageProcessor.from_pretrained("Intel/dpt-large")
model = DPTForDepthEstimation.from_pretrained("Intel/dpt-large")

# 为模型准备图像
inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    predicted_depth = outputs.predicted_depth

# 插值至原始尺寸
prediction = torch.nn.functional.interpolate(
    predicted_depth.unsqueeze(1),
    size=image.size[::-1],
    mode="bicubic",
    align_corners=False,
)

# 可视化预测结果
output = prediction.squeeze().cpu().numpy()
formatted = (output * 255 / np.max(output)).astype("uint8")
depth = Image.fromarray(formatted)

更多代码示例请参阅文档。

定量分析

表1. 单目深度估计领域对比。按照[30]定义的协议评估零样本跨数据集迁移性能。相对性能以原始MiDaS模型[30]为基准计算。所有指标数值越低越好。（Ranftl等，2021）

BibTeX引用信息

@article{DBLP:journals/corr/abs-2103-13413,
  author    = {Ren{\'{e}} Ranftl and
               Alexey Bochkovskiy and
               Vladlen Koltun},
  title     = {Vision Transformers for Dense Prediction},
  journal   = {CoRR},
  volume    = {abs/2103.13413},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.13413},
  eprinttype = {arXiv},
  eprint    = {2103.13413},
  timestamp = {Wed, 07 Apr 2021 15:31:46 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-13413.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}