単眼深度推定のための視覚的自己回帰モデリング

この論文は、視覚的自己回帰（VAR）事前分布を用いた単眼深度推定の新しいアプローチを提案し、拡散ベースの手法に代わるものを提供しています。テキストから画像へのVARモデルを活用し、スケールごとの条件付きアップサンプリングメカニズムを導入しています。微調整に74Kの合成サンプルしか必要としない効率性と、特に屋内ベンチマークでの高いパフォーマンスが注目に値します。この研究は、自己回帰事前分布を深度推定のための実行可能な生成モデルファミリーとして位置づけ、データのスケーラビリティと3Dビジョンタスクへの適応性を強調しています。