LapCR-Net：一种基于拉普拉斯残差重建的轻量级单目深度估计网络

《Sensors》：LapCR-Net: A Lightweight Monocular Depth Estimation Network via Laplacian Residual Reconstruction

　　

单目深度估计（Monocular Depth Estimation, MDE）旨在从单张二维（2D）RGB图像中预测逐像素深度，是自动驾驶与移动端三维重建等应用中的关键技术。然而现有轻量级方法受限于计算资源，常依赖浅层特征直接回归深度，导致跨尺度残差信息建模不足，难以在复杂场景中保持结构一致性与细粒度细节恢复。针对此，研究人员提出LapCR-Net，一种基于拉普拉斯残差重建的轻量级单目深度估计网络。具体而言，研究人员构建渐进式拉普拉斯残差框架，将深度预测分解为由粗到细的多尺度精炼过程；为增强解码器特征表示，引入结构感知特征重标定（Structure-aware Feature Recalibration, SFR）模块与深度引导卷积模块（Depth-guided Convolution Module, DCM），强化空间语义关联并改善跨尺度残差预测；进一步设计不确定性驱动协同精炼策略，通过估计预测不确定性自适应调节残差校正强度，在锐化物体边界的同时抑制纹理伪影。在NYU-Depth V2与KITTI基准上的大量实验表明，LapCR-Net仅以5.4 M参数即取得具竞争力的精度，在结构保持与细节重建上优势明显，实现了精度与计算效率的良好权衡。

研究背景与动机

单目深度估计（MDE）凭借单相机即可推断场景三维几何的优势，广泛应用于机器人导航、自动驾驶与三维重建。但从二维视觉信息推断深度本身是不适定问题，易受尺度模糊、纹理缺失与光照变化干扰。在移动平台等资源受限场景下，现有轻量级网络多借助深度可分离卷积降低复杂度，却因有效感受野不足、解码端采用无结构上采样（双线性插值或转置卷积）而产生过平滑与高频细节丢失；同时多数方法将编码器特征提取与解码器重建分离优化，跨尺度语义不一致与结构过平滑问题未被统一解决。为此，研究人员开展本研究，目标是构建统一轻量框架，在少量参数下联合增强多尺度特征表示、约束上采样过程并自适应校正高频结构残差。

研究内容与结论概要

研究人员提出LapCR-Net，采用改进U形编码-解码架构：编码器以MobileNetV3-Large为骨干，嵌入FA-Mobile多尺度增强、三重交叉注意力（Triple Cross-Attention, TCA）与全局门（Global Gate, GG）瓶颈全局建模；解码器采用渐进拉普拉斯残差重建，由SFR提供结构感知引导、DCM以粗尺度重建深度为显式空间先验生成拉普拉斯残差，并由Sigma Head估计像素级不确定性图参与自适应残差调制。训练采用不确定性感知深度损失与边缘感知平滑损失联合优化。论文发表于《Sensors》。实验在NYU-Depth V2、KITTI及零样本SUN RGB-D上验证，结果表明该网络仅5.4 M参数、5.551 G FLOPs，在RTX 3090达110 FPS（9.09 ms），Jetson Orin NX 8 GB嵌入式端达13.7 FPS（72.0 ms，峰值内存587.95 MB），在室内外基准上取得竞争精度，边界区域与高结构复杂度场景优势显著，为资源受限场景提供实用方案。

主要关键技术方法

研究人员以MobileNetV3-Large为预训练骨干，在编码器各多尺度层加入FA-Mobile双分支（局部分支点卷积+全局平均池化门控）增强；瓶颈处堆叠TCA（沿高度-通道、宽度-通道、通道三维交叉池化与可学习融合）与GG（全局平均池化+双全连接通道重标定）。解码端以瓶颈全局特征线性投影得粗深度，逐层2×上采样，跳接特征经SFR（深度可分离卷积+SE+方向空间注意力）重标定后送入DCM；DCM将前尺度深度上采样对齐作引导，经深度引导卷积与残差头预测当前尺度拉普拉斯残差Δd_k，按d_k=↑d_k-1+Δd_k累加精炼，末层4×上采样得全分辨率深度。Sigma Head以1×1卷积+Softplus输出正不确定性σ，参与损失L_depth=Σ(1/(2σ2))‖d?-d‖2+log σ。样本来自公开队列：NYU-Depth V2（微软Kinect采集室内50688对训练验证、654对测试）、KITTI（64线LiDAR对齐RGB，27052对训练验证、1000对测试）、SUN RGB-D仅作零样本泛化评测。

研究结果

3.1 实验设置：在PyTorch 2.0、RTX 3090、AdamW+One-Cycle余弦退火（lr 1e-4→1e-6，batch 16，50 epoch）下完成，输入尺寸KITTI 640×192、NYU 416×352，评测采用Eigen/Garg裁剪与尺度对齐。

3.2 消融研究：渐进消融自基线（MobileNetV3+U-Net）起逐加FA-Mobile、TCA+GG、SFR、DCM、拉普拉斯重建、Guided Refine，NYU上RMSE由0.4113降至0.3654；独立消融去FA-Mobile则RMSE升至0.3723，去TCA升至0.3741，去不确定性损失升至0.3743，证实各组件互补且TCA长程依赖贡献最大。

3.3 定量结果：同协议重训对照LapDepth/GuideDepth/DaNet，LapCR-Net在NYU获RMSE 0.3654、AbsRel 0.1032、SqRel 0.0599最优；KITTI上AbsRel、SqRel、Acc1（93.5%）领先。扩展对照（保留官方权重）中LapCR-Net的RMSE/SqRel低于HR-Depth、Lite-Mono、BoRe-Depth，虽Depth Anything的AbsRel更低但参数量大数倍。边界区敏感性分析（Sobel 85/90/95分位+膨胀1/3/5）显示LapCR-Net Boundary RMSE始终最低，较Depth Anything最多降8.9%。

3.4 定性结果：NYU室内办公、浴室阴影、杂乱家具场景均保持几何结构连续；KITTI行人与路面过渡平滑；SUN RGB-D零样本下床、浴缸、冰箱等局部不连续处优于GuideDepth/Lite-Mono。

3.5 效率与部署：桌面端5.551 G FLOPs、110 FPS；Jetson Orin NX 8 GB（15 W）13.7 FPS、72.0 ms、587.95 MB峰值内存、11.25 W，证实轻量可嵌入式部署。

讨论部分总结

研究人员指出LapCR-Net核心收益是以紧凑架构换取可靠深度重建而非全面超越大体量模型；拉普拉斯分解将目标由拟合全深度分布转为易优化的局部残差，DCM以粗深度作空间约束抑制跨尺度误差累积；精度-效率权衡中额外计算多用于结构精炼而非吞吐最大化；场景分层（按对数深度梯度分低中高复杂度）显示高复杂度组LapCR-Net的RMSE 0.5619、AbsRel 0.1287反超Depth Anything 3.9%/16.6%。局限在于大均匀弱几何变动区域高频信息少、且未利用视频时序，未来方向为时空残差建模与跨帧不确定性融合。

结论部分翻译

本文提出LapCR-Net，一种基于渐进拉普拉斯残差重建的轻量级单目深度估计框架。其创新性在于统一重建框架内协同解决跨尺度不一致与结构过平滑：不直回归密深度图，而是通过结构感知特征重标定、深度引导残差学习与不确定性感知精炼的协同优化，将深度恢复分解为低频结构预测与高频残差校正。LapCR-Encoder借协同特征建模增强多尺度语义几何表示，LapCR-Decoder以残差耦合拉普拉斯重建渐进重构深度，配合不确定性引导自适应残差精炼，在轻量约束下提升结构一致性、边界保持与细节保持。NYU-Depth V2与KITTI实验证得以5.4 M参数取得竞争性能，边界评估与复杂度分层进一步表明其在高复杂几何场景优势放大；桌面与嵌入式评测确认实用推理效率与低内存，适用于资源受限需结构可靠深度的视觉感知任务。当前框架面向静态RGB未用时序，未来将扩展至轻量时空残差建模以保嵌入效率。