CMAMBADEPTH: Self-supervised Monocular Depth Estimation with Channel Mamba and Hybrid Attention

📄 arXiv: 2609.24494v1 📥 PDF

作者: Xuezhi Xiang, Jiayao Liu, Heqi Xiang, Yuqi Hu, Yiming Chen, Shanjun Zhang

分类: cs.CV

发布日期: 2026-09-21

💡 一句话要点

提出CMambaDepth以解决单目深度估计中的信息交互瓶颈问题

🎯 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 自监督学习 多尺度特征融合 通道选择 深度学习

📋 核心要点

  1. 现有自监督单目深度估计方法在跨尺度信息交互和局部与全局建模平衡方面存在瓶颈。
  2. CMambaDepth通过通道选择状态传播实现高效的多尺度特征融合和细粒度上下文建模。
  3. 在KITTI和DDAD数据集上，CMambaDepth的性能显著优于现有基线，尤其在零-shot泛化测试中表现突出。

📝 摘要（中文）

准确的单目深度估计是单摄像头场景理解的核心。然而，现有的自监督单目深度估计方法通常面临跨尺度信息交互效率低下和局部与全局空间建模平衡困难的问题。本文提出CMambaDepth，一个自监督框架，通过通道选择状态传播实现高效的多尺度特征融合和细粒度上下文建模。具体而言，双向通道Mamba（Bi-CMamba）对齐编码器特征并实现有序尺度组之间的双向信息交换；单向通道Mamba（Uni-CMamba）逐步聚合解码器特征，并通过组选择机制保留细粒度尺度组以进行后续融合。此外，引入混合注意力模块（HAM）以结合大核局部上下文和曼哈顿自注意力进行互补空间建模。实验结果表明，该方法在KITTI上实现了0.094的AbsRel和4.156的RMSE，在DDAD上实现了0.140的AbsRel。在NYUv2的零-shot跨数据集泛化测试中，达到了0.232的AbsRel，超越了基线RA-Depth 7.2%。

🔬 方法详解

问题定义：本文旨在解决自监督单目深度估计中跨尺度信息交互效率低和局部与全局空间建模平衡困难的问题。现有方法在这些方面的不足限制了深度估计的准确性和鲁棒性。

核心思路：CMambaDepth的核心思路是通过通道选择状态传播实现高效的多尺度特征融合和细粒度上下文建模。通过双向和单向通道Mamba机制，增强了特征之间的信息交互和聚合能力。

技术框架：该框架主要包括三个模块：双向通道Mamba（Bi-CMamba）、单向通道Mamba（Uni-CMamba）和混合注意力模块（HAM）。Bi-CMamba负责对齐编码器特征并实现双向信息交换，Uni-CMamba则聚合解码器特征并保留细粒度尺度组，HAM则用于结合局部上下文和自注意力进行空间建模。

关键创新：本文的关键创新在于提出了双向和单向通道Mamba机制，显著提升了特征之间的信息交互效率，并通过混合注意力模块实现了更为精细的空间建模。这些创新使得CMambaDepth在深度估计任务中表现优异。

关键设计：在设计中，采用了特定的组选择机制来保留细粒度尺度组，损失函数则结合了重建损失和上下文损失，以确保模型在多尺度特征融合时的有效性。网络结构上，采用了深度卷积神经网络作为基础架构，增强了模型的表达能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CMambaDepth在KITTI数据集上取得了0.094的AbsRel和4.156的RMSE，在DDAD上达到了0.140的AbsRel。在NYUv2的零-shot跨数据集泛化测试中，模型达到了0.232的AbsRel，超越了基线RA-Depth 7.2%，显示出显著的性能提升。

🎯 应用场景

CMambaDepth在自动驾驶、机器人导航和增强现实等领域具有广泛的应用潜力。通过提高单目深度估计的准确性，该方法能够为场景理解和环境感知提供更为可靠的支持，推动相关技术的发展和应用。未来，该研究可能会影响更多依赖深度信息的智能系统。

📄 摘要（原文）

Accurate monocular depth estimation serves as a core enabler for single camera scene understanding. However, existing self-supervised monocular depth estimation methods generally suffer from the bottleneck of inefficient cross-scale information interaction and difficulty in balancing local and global spatial modeling. In this paper, we propose CMambaDepth, a self-supervised framework that achieves efficient multi-scale feature fusion and fine-grained contextual modeling via channel-wise selective state propagation. Specifically, Bidirectional Channel Mamba (Bi-CMamba) aligns encoder features across scales and enables bidirectional information exchange among ordered scale groups. Unidirectional Channel Mamba (Uni-CMamba) progressively aggregates decoder features and retains fine-grained scale groups through a group selection mechanism for subsequent fusion. Furthermore, a Hybrid Attention Module (HAM) is introduced to combine large-kernel local context and Manhattan self-attention for complementary spatial modeling. Experimental results demonstrate that our method achieves highly competitive performance. Specifically, our model achieves an AbsRel of 0.094 and an RMSE of 4.156 on KITTI, and an AbsRel of 0.140 on DDAD. In the zero-shot cross-dataset generalization test on NYUv2, it attains an AbsRel of 0.232, outperforming the baseline RA-Depth by 7.2%.