Benchmark on Monocular Metric Depth Estimation in Wildlife Setting

📄 arXiv: 2510.04723v1 📥 PDF

作者: Niccolò Niccoli, Lorenzo Seidenari, Ilaria Greco, Francesco Rovero

分类: cs.CV

发布日期: 2025-10-06

💡 一句话要点

构建野生动物场景下单目深度估计基准，评估现有方法性能。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 单目深度估计 野生动物监测 相机陷阱 深度学习 基准测试

📋 核心要点

  1. 现有单目深度估计方法在野生动物自然场景下的性能缺乏系统评估，阻碍了其在该领域的应用。
  2. 论文构建了首个野生动物场景下单目度量深度估计基准，用于评估和比较现有方法的性能。
  3. 实验结果表明，Depth Anything V2方法在该基准上表现最佳，为后续研究提供了性能参考。

📝 摘要（中文）

相机陷阱被广泛应用于野生动物监测，但由于缺乏深度信息，从单目图像中提取精确的距离测量仍然具有挑战性。虽然单目深度估计（MDE）方法已经取得了显著进展，但它们在自然野生动物环境中的性能尚未得到系统评估。本文介绍了第一个用于野生动物监测条件下单目度量深度估计的基准。我们评估了四种最先进的MDE方法（Depth Anything V2、ML Depth Pro、ZoeDepth和Metric3D）以及一个几何基线，使用了93张带有通过校准的ChARUCO图案获得的真实距离的相机陷阱图像。我们的结果表明，Depth Anything V2实现了最佳的整体性能，平均绝对误差为0.454m，相关性为0.962，而ZoeDepth等方法在户外自然环境中表现出显著的性能下降（MAE：3.087m）。我们发现，基于中值的深度提取始终优于所有深度学习方法中基于平均值的提取。此外，我们还分析了计算效率，ZoeDepth速度最快（每张图像0.17秒），但精度最低，而Depth Anything V2在精度和速度之间提供了最佳平衡（每张图像0.22秒）。该基准为野生动物应用建立了性能基线，并为在保护监测系统中实施深度估计提供了实践指导。

🔬 方法详解

问题定义：论文旨在解决野生动物监测中，利用单目相机图像进行准确深度估计的问题。现有单目深度估计方法虽然发展迅速，但在野生动物的自然环境中，其性能未经过系统评估，缺乏针对性优化，难以满足实际应用需求。现有方法的痛点在于泛化性不足，在特定场景下误差较大。

核心思路：论文的核心思路是通过构建一个专门针对野生动物场景的单目深度估计基准，来系统地评估现有方法的性能。通过对比不同方法在同一数据集上的表现，可以了解它们在特定场景下的优缺点，从而为后续研究提供指导。同时，论文还分析了不同深度提取策略（均值 vs 中值）对性能的影响。

技术框架：论文的技术框架主要包括以下几个部分：1) 构建数据集：收集包含野生动物的相机陷阱图像，并使用ChARUCO图案进行标定，获取真实深度信息。2) 选择评估方法：选取四种代表性的单目深度估计方法（Depth Anything V2、ML Depth Pro、ZoeDepth和Metric3D）和一个几何基线。3) 性能评估：在构建的数据集上运行这些方法，并使用平均绝对误差（MAE）和相关性等指标来评估它们的性能。4) 效率分析：评估这些方法的计算效率，例如每张图像的处理时间。

关键创新：论文的关键创新在于构建了首个针对野生动物场景的单目深度估计基准。这个基准的贡献在于：1) 提供了一个统一的评估平台，方便研究者比较不同方法的性能。2) 揭示了现有方法在特定场景下的局限性，为后续研究提供了方向。3) 为实际应用提供了参考，帮助用户选择合适的深度估计方法。

关键设计：论文的关键设计包括：1) 数据集的构建：使用相机陷阱图像，保证了数据的真实性和代表性。使用ChARUCO图案进行标定，保证了深度信息的准确性。2) 评估指标的选择：使用MAE和相关性等常用指标，方便与其他研究进行比较。3) 深度提取策略的分析：对比了基于均值和中值的深度提取方法，发现基于中值的方法表现更好。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Depth Anything V2在野生动物场景下单目深度估计任务中表现最佳，MAE为0.454m，相关性为0.962。ZoeDepth虽然速度最快（0.17s/image），但精度较低（MAE: 3.087m）。研究还发现，基于中值的深度提取方法优于基于均值的方法。该基准为后续研究提供了性能参考。

🎯 应用场景

该研究成果可应用于野生动物保护和监测领域，例如：自动识别动物个体、估计动物种群数量、分析动物行为模式、评估栖息地质量等。通过准确的深度估计，可以提高相机陷阱数据的利用率，为野生动物保护提供更可靠的数据支持，并有助于制定更有效的保护策略。

📄 摘要（原文）

Camera traps are widely used for wildlife monitoring, but extracting accurate distance measurements from monocular images remains challenging due to the lack of depth information. While monocular depth estimation (MDE) methods have advanced significantly, their performance in natural wildlife environments has not been systematically evaluated. This work introduces the first benchmark for monocular metric depth estimation in wildlife monitoring conditions. We evaluate four state-of-the-art MDE methods (Depth Anything V2, ML Depth Pro, ZoeDepth, and Metric3D) alongside a geometric baseline on 93 camera trap images with ground truth distances obtained using calibrated ChARUCO patterns. Our results demonstrate that Depth Anything V2 achieves the best overall performance with a mean absolute error of 0.454m and correlation of 0.962, while methods like ZoeDepth show significant degradation in outdoor natural environments (MAE: 3.087m). We find that median-based depth extraction consistently outperforms mean-based approaches across all deep learning methods. Additionally, we analyze computational efficiency, with ZoeDepth being fastest (0.17s per image) but least accurate, while Depth Anything V2 provides an optimal balance of accuracy and speed (0.22s per image). This benchmark establishes performance baselines for wildlife applications and provides practical guidance for implementing depth estimation in conservation monitoring systems.