双目与单目深度估计：从数据通路到前沿方案

双目和单目最后都能输出一张深度图，但两者不是同一种测距方式。

双目先在左右图中找到同一个三维点，再利用相机基线做三角测量。它的尺度来自真实的镜头间距。
单目只看一张图，依靠透视、遮挡、纹理、对象大小和训练数据中的场景规律推断深度。它的尺度主要来自模型先验。

所以，理解深度估计不能只盯着某个网络名称。更重要的是看清楚：图像从哪里进入，经过哪些模块，中间产生什么，最终深度的尺度和可信度来自哪里。

本文资料检索截止到 2026 年 7 月 14 日。

先看完整通路

双目：先求视差，再求深度

离线，只在装配或镜头状态改变后重新执行

标定板图像
    │
    ├── 左右相机内参、畸变
    ├── 左右相机外参 R、T
    └── 基线 B、校正映射 mapL/mapR、重投影矩阵 Q
                      │
                      ▼
在线，每一对图像执行

左相机 ──┐
         ├─ 同步曝光 ─ ISP ─ 去畸变/极线校正 ─┐
右相机 ──┘                                     │
                                               ▼
                                 左右对应搜索与代价聚合
                                               │
                                               ▼
                                         视差图 d(u,v)
                                               │
                     ┌─ 左右一致性、遮挡、量程、置信度检查
                     │
                     ▼
                                 深度 Z = fx × B / d
                                               │
                                               ▼
                              深度图 + 有效掩码 + 置信度
                                               │
                                               ▼
                                  反投影点云 / 障碍物地图

双目算法真正解决的核心问题是：左图中的像素，在右图同一条极线上对应哪个像素。 找到对应点后，视差和深度之间是明确的几何换算。

单目：网络直接从图像回归深度

单张 RGB
    │
    ├─ resize、归一化
    └─ 可选相机内参或视场角
    │
    ▼
CNN / ViT 编码器
    │
    ├─ 局部纹理、轮廓
    ├─ 透视和消失点
    ├─ 物体与场景语义
    └─ 多尺度全局特征
    │
    ▼
深度解码器 / 几何预测头
    │
    ├─ 相对深度或逆深度
    ├─ 米制深度
    ├─ 三维点图
    └─ 可选置信度、法向、相机参数
    │
    ▼
尺度处理
    │
    ├─ 无锚点：使用模型原始相对或米制预测
    └─ 有锚点：相机高度、IMU、轮速、稀疏 LiDAR、双目
    │
    ▼
时序滤波 / 多帧融合
    │
    ▼
深度图 + 有效掩码 + 置信度

单目在线推理没有“在另一张图里寻找对应点”这一步。网络在训练阶段已经把大量图像与几何之间的统计关系压进参数，部署时做的是一次前馈预测。

两条通路的根本差异可以压缩成一句话：

双目尺度 = 相机基线提供的几何尺度
单目尺度 = 训练先验或外部锚点提供的推断尺度

双目通路怎样一步步运行

离线标定先建立几何关系

双目在线计算依赖一组离线产物。标定板需要覆盖实际工作距离、视场边缘和不同姿态，不能只在画面中心拍几张。

左标定图 ── 单目标定 ──> KL、DL ──┐
                                   │
右标定图 ── 单目标定 ──> KR、DR ──┤
                                   ├─ 双目标定 ─> R、T、B
左右同步标定图对 ──────────────────┘
                                                  │
                                                  ▼
                                        stereoRectify
                                                  │
                                                  ▼
                                  RL、RR、PL、PR、Q
                                                  │
                                                  ▼
                              initUndistortRectifyMap
                                                  │
                                                  ▼
                                     mapL、mapR、有效 ROI

其中：

$K_L,K_R$ 是左右相机内参；
$D_L,D_R$ 是畸变参数；
$R,T$ 描述右相机相对左相机的位置，$B=\lVert T\rVert$ 是基线；
$R_L,R_R$ 和 $P_L,P_R$ 是左右校正旋转与投影矩阵；
mapL、mapR 是由校正参数生成的在线查找表；
$Q$ 或等价的内参、基线参数用于把视差重投影为三维坐标。

这条链出错时，后面换更强的匹配网络也救不了。常见问题包括结构件热变形、镜头重新对焦、左右相机装配松动、标定板覆盖范围不足。检查标定不能只看一个平均重投影误差，还要看校正后同名点的纵向残差是否接近零。

在线链先把双目变成一维搜索

双目在线入口必须是一对尽量同时曝光的图像。

硬件触发
    │
    ├─ 左图 IL，时间戳 tL
    └─ 右图 IR，时间戳 tR
    │
    ├─ 检查 |tL - tR|
    ├─ 曝光、增益和白平衡尽量一致
    └─ 对滚动快门运动畸变做约束或补偿
    │
    ▼
remap(IL, mapL) ──> 校正左图 IL'
remap(IR, mapR) ──> 校正右图 IR'

未经校正时，对应点可能出现在另一个画面的任意位置，需要二维搜索。极线校正后，对应点基本落在同一行，只需要沿水平方向搜索：

左图第 v 行：  ... A(uL,v) ........................
右图第 v 行：  ............. A(uR,v) ..............

视差 d = uL - uR

如果左右图不同步，运动物体在两张图里的位置差不仅包含空间视差，还混入了时间位移。此时算法会得到一个数值正常、物理意义却错误的深度。

匹配模块是双目的核心

传统双目和学习式双目都在解决相同问题，只是构造、聚合匹配证据的方式不同。

BM：局部窗口直接比较

校正左图 IL' ──┐
                ├─ 对每个候选视差 d 比较左右窗口
校正右图 IR' ──┘
                           │
                           ├─ SAD / SSD
                           ├─ NCC
                           └─ Census + Hamming
                           │
                           ▼
                C(u,v,d)：每个候选视差的代价
                           │
                           ▼
                     选择最小代价 d

BM 计算简单，适合 CPU、DSP、FPGA 和 ISP。但窗口太小容易受噪声影响，窗口太大会把深度边界两侧混在一起。白墙没有纹理时，许多候选位置的代价几乎一样，算法无法知道应该选哪一个。

SGM/SGBM：给视差加空间连续约束

SGM 不只看当前像素，还沿多个方向累计代价：

原始匹配代价 C(u,v,d)
         │
         ├─ 水平路径 ─┐
         ├─ 垂直路径 ─┤
         ├─ 斜向路径 ─┼─ 路径代价累加 ─> S(u,v,d)
         └─ 反向路径 ─┘
                                  │
                                  ▼
                          最小代价视差 d0
                                  │
                                  ▼
                      亚像素拟合 + 左右一致性

相邻像素视差小幅变化时付出惩罚 $P_1$，大幅跳变时付出更大的 $P_2$。这样做相当于告诉算法：同一表面通常连续，但物体边缘允许突然变化。

OpenCV StereoSGBM 是常用工程起点。它的完整输出链应当是：

SGBM 原始视差
    │
    ├─ 唯一性检查：第一名是否明显好于第二名
    ├─ 左右一致性：dL 与 dR 是否互相对应
    ├─ speckle 检查：去掉孤立小块
    ├─ 亚像素插值：从整数视差细化
    └─ 遮挡和越界标记
    │
    ▼
视差 d + valid mask，而不是一张被全部填满的图

学习式双目：用网络学习匹配和聚合

学习式双目（Deep Stereo）没有取消视差，它只是把手工特征和固定聚合规则替换成学习模块。

IL' ─> 共享特征编码器 ─> FL ─┐
                              │
                              ├─ 相关/拼接 ─> 代价体 V(u,v,d,c)
                              │
IR' ─> 共享特征编码器 ─> FR ─┘
                                                 │
                                                 ├─ 3D CNN 聚合
                                                 ├─ Transformer 聚合
                                                 └─ GRU 迭代更新
                                                 │
                                                 ▼
                                      初始视差 d0
                                                 │
                                  查询局部代价并反复修正
                                                 │
                                                 ▼
                                      亚像素视差 d

GC-Net和 PSMNet代表完整代价体与 3D 卷积路线；RAFT-Stereo和 IGEV-Stereo代表相关体或几何编码体加循环更新路线。

深度网络的优势是能利用更大范围的上下文，弱纹理和复杂边界往往比 SGM 完整。但要注意：网络可能依据语义把没有匹配证据的区域补全。输出更稠密，不代表每个像素都来自可靠的左右对应。

视差怎样变成深度

校正后的平行双目中：

$$ d=u_L-u_R $$

已知像素焦距 $f_x$ 和基线 $B$ 后：

$$ Z=\frac{f_xB}{d} $$

再把像素反投影到左相机坐标系：

$$ X=\frac{(u-c_x)Z}{f_x},\qquad Y=\frac{(v-c_y)Z}{f_y} $$

视差误差会随距离快速放大：

$$ |\delta Z|\approx\frac{Z^2}{f_xB}|\delta d| $$

例如 $f_x=700$ 像素、$B=0.12$ 米、视差误差为 0.1 像素时：

2 米处的深度误差约 4.8 毫米；
10 米处的深度误差约 11.9 厘米。

所以双目并不是在所有距离上精度相同。更长基线、更高分辨率有利于远处测距，但会增加近处遮挡、最小测量距离、结构尺寸和标定稳定性问题。

视差转深度之后仍不能直接结束。完整输出至少要保留：

depth(u,v)       深度值和单位
disparity(u,v)   原始视差，便于诊断
valid(u,v)       是否有可靠对应
confidence(u,v)  匹配或模型置信度
timestamp        这张深度对应的曝光时刻
K / frame_id     相机模型和坐标系

单目通路怎样一步步运行

在线推理不是几何搜索，而是模型回归

单目网络看到一张图后，主要经过编码、解码和输出解释三段。

输入 RGB：H × W × 3
    │
    ├─ resize 到模型输入分辨率
    ├─ 像素归一化
    ├─ 记录缩放和裁剪关系
    └─ 输入内参 K，或由模型估计视场角
    │
    ▼
编码器
    │
    ├─ 浅层：边缘、纹理、局部形状
    ├─ 中层：物体部件、遮挡关系
    └─ 深层：房间、道路、天空、物体尺度和全局透视
    │
    ▼
多尺度特征 F1、F2、F3、F4
    │
    ▼
解码器
    │
    ├─ 从低分辨率全局结构逐级上采样
    ├─ 融合浅层边缘，恢复细节
    └─ 深度头输出每个像素的数值
    │
    ▼
原始预测
    │
    ├─ 相对逆深度 r(u,v)
    ├─ 米制深度 Z(u,v)
    └─ 三维点图 P(u,v) = (X,Y,Z)
    │
    ▼
恢复到原图尺寸并生成 valid/confidence

网络为什么能从一张图判断远近？因为训练数据让它学会了这些统计规律：

遮挡别人的物体通常更近；
平行线向消失点汇聚；
地面纹理随距离变密；
常见人、车、门和桌子有大致尺寸；
天空、道路、墙面和室内结构有常见空间布局；
焦点、阴影和材质也会提供弱线索。

这些线索能产生很强的视觉判断，但它们不是物理基线。模型遇到缩微模型、巨型物体、特殊镜头或视觉错觉时，可能给出结构自然却尺度错误的结果。

相对深度和米制深度不是同一个任务

透视投影只与 $X/Z$、$Y/Z$ 有关。如果把整个场景乘以同一个比例 $s$：

$$ (X,Y,Z)\rightarrow(sX,sY,sZ) $$

像素投影不变。也就是说，仅从单张图的几何关系无法唯一判断“这是小物体在近处，还是大物体在远处”。

因此，单目输出要分清三类：

输出类型	模型真正保证什么	能否直接用于测距
相对深度 / 逆深度	像素之间的远近和几何结构，整体尺度、偏移可不确定	不能直接当米使用
米制深度	根据训练分布和相机建模预测米制距离	可以输出米，但必须验证跨域尺度误差
点图	每个像素直接预测三维点，可同时预测相机和法向	是否有真实尺度取决于模型与监督

Depth Anything V2的通用模型首先是一条强相对深度路线；Metric3D v2、Depth Pro、UniDepth V2和 MoGe-2进一步处理相机、米制尺度、点图、边缘和置信度。

这里最容易误判的是：模型张量的单位写成米，只说明训练目标是米制深度，并不说明新场景中的每个值都是测量值。

训练通路决定模型学到什么

部署时单目网络可以只输入一张图，但它在训练时可能走过完全不同的监督链。

米制标签监督

RGB ───────────────> DepthNet ─────────> 预测深度 Zpred
 │                                           │
 └─ LiDAR / ToF / 合成真值 Zgt ─────────────┤
                                             ▼
                     深度 + 梯度 + 法向 + 边界等损失
                                             │
                                             ▼
                                        更新模型参数

优点是尺度直接；问题是稠密真值昂贵，而且 LiDAR 空洞、反射飞点、累积扫描畸变和相机分布会一起进入训练数据。

混合相对深度与教师蒸馏

多种真实/合成数据
    │
    ├─ 深度单位不同
    ├─ 深度范围不同
    └─ 部分只有相对排序
    │
    ▼
尺度或尺度-平移不变损失
    │
    ▼
大教师模型
    │
    ├─ 学习开放域相对几何
    └─ 为海量未标注图像产生伪深度
    │
    ▼
蒸馏小模型

MiDaS建立了混合异构数据训练相对深度的典型路线。Depth Anything V2 又加强了教师、合成标签和大规模真实图像伪标签。它们优先解决“换场景后远近关系仍然合理”，不是先解决绝对米制尺度。

单目视频自监督

目标帧 It ─────────────> DepthNet ─────> Dt
    │                                      │
    │                                      │
相邻帧 Is ─┐                               │
           ├─ PoseNet ─> Tt→s ────────────┤
目标帧 It ─┘                               │
                                           ▼
                     K + Dt + Tt→s 将 Is 重投影到 It
                                           │
                                           ▼
                          重建图 Ît 与真实 It 比较
                                           │
                                           ▼
                                光度/结构/平滑损失

SfMLearner和 Monodepth2是这条路线的代表。

这类方法省掉了人工深度标签，但依赖以下条件：

场景大部分静态；
相邻帧有足够相机位移；
亮度和曝光近似一致；
遮挡、动态物体和静止相机片段被正确屏蔽。

单目视频同时学习深度与位姿时，$D$ 和平移 $T$ 可以一起缩放，重投影仍不变，因此通常只有相对尺度。若训练时使用已知基线的双目对，基线可以把米制尺度注入模型。

要特别区分：

视频用于训练，部署只输入一帧
    与
部署时连续输入多帧，在线利用运动视差

后者已经是多帧深度、SfM、VIO 或多视图几何，不再是纯单图回归。

怎样给单目补尺度和稳定性

单目原始预测之后，可以增加尺度锚定与时序处理：

单目预测 Dmono ───────────────────────────┐
                                          │
相机高度 + 地平面 ──> 全局尺度 s ─────────┤
已知物体 / 标志物 ──> 局部尺度 ───────────┤
IMU / 轮速 / VIO ───> 运动尺度 ───────────┤
稀疏 LiDAR / ToF ───> 稀疏真实深度 ───────┤
                                          ▼
                               尺度拟合或分段优化
                                          │
                                          ▼
                                米制深度 Dmetric
                                          │
                        位姿或光流对齐后做时序滤波
                                          │
                                          ▼
                              稳定深度 + 置信度

只拟合一个比例 $s$ 只能修正全局尺度。如果相对深度在不同物体上存在不同的局部形变，就需要分段尺度或稀疏深度补全。2026 年的 Midas Touch for Depth就是“相对深度 + 极稀疏 3D 锚点 + 分段恢复”的代表。

时序滤波只能减少闪烁，不能修正稳定存在的系统性尺度错误。若每一帧都把 5 米预测成 4 米，平均多帧后仍然是 4 米。

各种实现方案到底差在哪里

下面不按论文榜单，而按完整数据通路比较。

方案	端到端通路	尺度来源	主要优势	主要失效点
被动双目 + BM/SGM	同步双图 → 校正 → 手工代价 → 聚合 → 视差 → 三角测量	物理基线	可解释、实时、无需训练，CPU/FPGA 友好	白墙、重复纹理、遮挡、反射
主动双目 + SGM	红外投影 + 同步双图 → SGM → 深度	物理基线	室内弱纹理区域更稳定	强日光、投影互扰、透明物体
学习式双目	双图 → 特征 → 代价体 → 网络聚合/迭代 → 视差 → 深度	物理基线	能利用上下文改善弱纹理和细节	GPU/NPU 开销、域偏移、可能语义补错
单目相对深度	RGB → 基础模型 → 相对深度	无绝对尺度	单摄像头、开放域远近结构好、模型可小型化	不能直接测米，时序可能闪烁
单目米制深度	RGB + 可选相机信息 → 米制模型 → 深度	训练先验与相机建模	硬件最简单，可直接产生米制输出	换相机、焦距、对象尺度后可能整体偏移
单目视频 / 多视图	图像序列 → 对应/位姿 → 几何深度 → 多帧融合	运动基线；绝对尺度仍需锚点	跨帧几何一致，适合重建和 SLAM	动态物体、低视差、位姿误差
单目先验 + 双目/稀疏深度	单目全局结构 + 双目或稀疏真实尺度 → 置信度融合	基线或稀疏传感器	兼顾稠密结构、困难区域和尺度	系统复杂，冲突时必须知道信谁

还要区分两个经常混用的词：

主动双目描述是否用投影器增加纹理；
学习式双目描述匹配模块是否使用神经网络。

主动双目也可以使用深度网络，被动双目也可以使用 SGM。它们是两条不同分类轴。

过去、现在与前沿改变了哪一段通路

双目：几何骨架没变，匹配模块不断升级

阶段	被替换的通路节点	代表方案	结果
传统时期	手工匹配代价与局部/全局优化	BM、Graph Cuts、Belief Propagation	建立完整视差求解框架，但速度和边界难兼顾
工程主流	多方向半全局聚合	SGM/SGBM	精度、实时性和硬件实现取得平衡
深度学习早期	CNN 学匹配特征，3D CNN 聚合代价体	GC-Net、PSMNet	基准精度提升，但显存随 $H\times W\times D$ 增长
当前主流	相关体/几何体 + GRU 迭代更新	RAFT-Stereo、IGEV-Stereo	能按迭代次数交换速度和精度
2025–2026 前沿	单目基础先验注入双目分支，再压缩为实时模型	FoundationStereo、Stereo Anywhere、MonSter、Fast-FoundationStereo	零样本泛化和困难区域改善，同时仍输出几何视差

前沿双目并没有绕过左右对应：

左右图 ─> 双目特征 ─> 双目代价体 ─────────┐
                                          │
左右图 ─> 单目基础模型 ─> 全局深度先验 ──┤
                                          ▼
                            置信度控制的代价融合
                                          │
                                          ▼
                                迭代更新视差 d
                                          │
                                          ▼
                                  Z = fx × B / d

FoundationStereo通过侧向适配把 Depth Anything V2 的单目先验注入双目特征与代价过滤；Stereo Anywhere和 MonSter显式维护单目、双目两条分支：可靠双目区域帮助单目恢复尺度，单目结构再指导弱纹理和遮挡附近的匹配。

Fast-FoundationStereo则对这条链做蒸馏、聚合模块搜索和 GRU 结构化剪枝。前沿重点已经从“只追求榜单精度”转向“跨域泛化能否与实时部署同时成立”。

单目：从单张深度回归走向统一三维几何

阶段	通路变化	代表方案	核心边界
手工线索	透视、阴影、纹理和场景模型 → 粗深度	shape-from-shading、Make3D	只适合受限场景
监督 CNN	单图 → 多尺度 CNN → 稠密深度	Eigen 等	依赖米制标签和训练域
自监督几何	视频 → 深度网络 + 位姿网络 + 重投影损失	SfMLearner、Monodepth2	动态、遮挡、曝光和尺度不确定
相对深度基础模型	多数据集 + 教师伪标签 → 通用相对深度	MiDaS、Depth Anything V2	泛化强，但原始输出不是米
米制几何模型	RGB + 相机建模 → 深度、点图、法向、置信度	Metric3D v2、Depth Pro、UniDepth V2、MoGe-2	米制尺度仍来自训练先验
任意视图模型	一张到多张图 → 相机、射线、深度、点图联合预测	VGGT、Depth Anything 3	大场景、动态、长序列和端侧部署仍在发展

VGGT从一张到多张图联合输出相机参数、深度、点图和点轨迹；Depth Anything 3进一步使用统一的深度—射线表示处理任意数量视图。

通路正在从：

先估相机 ─> 再找对应 ─> 再算深度 ─> 再拼点云

逐步变成：

任意数量图像 ─> 统一 Transformer ─> 相机 + 射线 + 深度 + 点图

这种前馈模型简化了模块边界，但不会自动消除动态物体、遮挡、长序列漂移、尺度不确定和置信度失真。传统几何优化仍可用来验证或细化网络结果。

工程上怎样选通路

需要稳定米制深度

室内机器人、机械臂近场感知和固定设备优先从下面的链开始：

全局快门双目
    │
    ├─ 室内弱纹理：增加红外投影
    └─ 室外：被动双目，重视 HDR 与同步
    │
    ▼
标定与极线校正
    │
    ▼
SGBM 建立可解释基线
    │
    ├─ 精度够：继续优化参数和硬件
    └─ 困难区域不够：评估 IGEV / FoundationStereo
    │
    ▼
disparity + valid + confidence
    │
    ▼
深度 / 点云 / 占据图

第一版不要一上来就用最大网络。先用 SGBM 暴露同步、标定、曝光、量程和材质问题，再判断真正瓶颈是否在匹配模块。

只能使用一颗 RGB

如果成本、体积或存量硬件只允许单摄像头：

RGB
  │
  ▼
小型相对或米制深度模型
  │
  ├─ 相机固定：用本机内参、本域数据校准
  ├─ 地面机器人：可用相机高度/地平面校正尺度
  ├─ 有轮速/IMU：与 VIO 或运动尺度融合
  └─ 有稀疏深度：做分段尺度与深度补全
  │
  ▼
时序滤波 + 置信度门控
  │
  ▼
近似米制深度

这条链适合远近排序、语义增强、低成本导航提示和图像处理。若要承担近障碍制动或人员安全，仍应增加独立的测距与安全链。

追求开放域与高质量三维

双目 / 多视图 RGB
        │
        ├─ FoundationStereo：高质量零样本双目
        ├─ VGGT / Depth Anything 3：相机与三维联合预测
        └─ 稀疏 LiDAR / ToF：提供真实尺度锚点
        │
        ▼
网络几何结果
        │
        ├─ 置信度和冲突检查
        ├─ 束调整 / 位姿图 / TSDF 等几何融合
        └─ 本域尺度与时间一致性验证
        │
        ▼
重建、AR、空间理解、机器人地图

前沿模型适合作为强前端，不应因为它能一次输出完整点云，就省掉坐标系、时间同步、外点剔除和长期一致性检查。

验证一条通路是否真的可用

先检查每个节点的数据契约

一张可用深度图不只有二维数值。上下游至少要约定：

数据	必须明确的内容
图像	曝光时刻、frame_id、分辨率、像素格式、是否已校正
相机模型	内参、畸变、裁剪缩放后的新内参、标定版本
双目关系	R、T、基线、左右顺序、允许的同步误差
视差	符号、缩放倍率、无效值、搜索范围、是否亚像素
深度	单位、Z 深度还是射线距离、量程、无效值
质量	valid mask、confidence、遮挡和量程外标记
点云	坐标系、时间戳、是否过滤、颜色与置信度字段

如果中间节点只传一张彩色深度图，很多错误会在可视化阶段被掩盖，到了导航或抓取阶段才暴露。

再按通路选择指标

双目匹配看视差 EPE、Bad-1/2/3、D1，同时按距离换算深度误差；
相对单目看尺度对齐后的 AbsRel、$\delta_1$、排序和边界，但不能据此宣称米制准确；
米制单目禁止使用真值中值缩放后再声称绝对测距；
视频还要看相邻帧抖动、漂移和运动边缘拖影；
产品必须看有效率、错误率、近障碍漏检率和置信度是否校准；
部署性能要统计包含校正、拷贝、上采样、后处理和点云转换的 P95/P99 时延。

测试数据要主动覆盖白墙、栅栏、重复纹理、薄杆、黑色物体、镜子、玻璃、逆光、LED 闪烁、左右曝光不一致、快速运动、雨雾和量程外区域。

最重要的不是模型在正常场景输出多漂亮，而是困难场景发生时：

它能否知道自己不确定
    │
    ├─ 能：标记 invalid / low confidence，系统降级
    └─ 不能：输出平滑但错误的深度，下游会把错误当事实

最后抓住四个结论

双目先估视差，再通过基线和焦距换成深度。 传统和深度网络只是在替换匹配与聚合模块，标定、同步、校正和质量检查不能省。
单目在线做的是学习回归，不是几何测量。 相对深度、米制深度和点图是三种不同输出，必须先看尺度从哪里来。
视频训练不等于视频推理。 单目模型可以用多帧重投影训练、部署只看一帧；在线使用多帧运动视差时，已经进入 SfM、VIO 或多视图深度通路。
前沿不是单目取代双目，而是先验与几何融合。 单目基础模型处理全局结构和歧义区域，双目、运动或稀疏 3D 提供尺度与真实几何证据，置信度负责决定何时相信谁。