文章核心观点 - 提出了一种名为Pixel-Perfect Depth (PPD)的单目深度估计新方法，该方法直接在像素空间进行扩散生成，从根源上避免了因VAE压缩导致的伪影和边缘飞点问题，在所有生成式模型中取得了最好的表现[4][7][11] 深度估计行业现有技术瓶颈 - 现有的单目深度估计方法普遍存在边缘飞点问题，这会导致机器人决策错误、三维重建物体轮廓出现鬼影[2] - 判别式模型（如Depth Anything v2, Depth Pro）由于回归损失的平滑倾向，容易在深度突变处产生平均化预测，导致边缘飞点[4] - 生成式模型（如Marigold, Lotus）虽然能通过像素分布建模保留更多细节，但依赖Stable Diffusion的VAE压缩，仍会损失结构锐度与几何保真度，产生大量飞点[4][7] Pixel-Perfect Depth (PPD) 技术方案 - 提出直接在像素空间进行扩散生成的单目深度估计模型，从根源上避免了因VAE压缩导致的伪影问题[4] - 设计了语义引导的扩散Transformer（SP-DiT），在扩散过程中引入来自视觉基础模型的高层语义特征作为提示，有效增强了模型对全局结构的把握与细节恢复能力[4] - 提出语义特征正则化方法，促使外部语义信息与DiT内部表示更好对齐，从而确保训练稳定、收敛可靠[5] 技术成果与影响 - 该方法在所有生成式模型中取得了最好的表现[7] - 该工作是NeurIPS 2025高分论文，被描述为深度估计新范式，实现了像素级完美深度估计[11]