Qu'est-ce que l'Estimation de Profondeur Monoculaire ?
L'estimation de profondeur monoculaire consiste a predire la distance de chaque pixel d'une image depuis un seul point de vue camera. Contrairement à la vision stereo qui utilisé deux cameras, les méthodes monoculaires s'appuient sur des indices visuels appris. Les modèles IA modernes comme Depth Anything v2 utilisent des transformateurs de vision entraines sur des millions d'images pour reconnaitre des motifs de convergence de perspective et de variation de texture.
Comment Fonctionne Depth Anything v2
Depth Anything v2 utilisé un encodeur DINOv2 Vision Transformer couple à un decodeur Dense Prediction Transformer. Le modèle a été entraine avec un pipeline maitre-élevé sur 595 000 images synthetiques etiquetees et 62 millions d'images reelles pseudo-etiquetees. Cette approche atteint une précision de pointe avec une erreur relative absolue de seulement 4,3% sur les benchmarks standards.
Profondeur Relative vs. Metrique
Cet outil produit des cartes de profondeur relatives, montrant quels objets sont plus proches ou plus eloignes sans donner de distances exactes en metres. La profondeur relative est fiable pour ordonner les objets par distance avec plus de 95% de précision. Pour des mesures metriques reelles, des capteurs LiDAR ou des systèmes de cameras stereo seraient nécessaires.
Limitations et Bonnes Pratiques
L'estimation de profondeur fonctionne mieux avec des scenes bien eclairees contenant des textures variees et une variation de profondeur claire. Elle peut avoir des difficultés avec les surfaces reflechissantes comme les miroirs, les objets transparents comme le verre et les motifs repetitifs comme les carrelages uniformes. Les objets très eloignes au-dela de 100 metres peuvent avoir des valeurs peu fiables.
