中午起不来1. MoGe单目几何估计论文精读：从理论到实践的全方位解析
在计算机视觉领域，单目几何估计一直是一个极具挑战性的研究方向。传统方法通常采用两阶段策略：先估计深度图，再结合相机内参进行3D重建。然而，这种分离的估计方式不可避免地会引入累积误差，特别是在相机内参估计不准确的情况下，即使深度预测正确，最终的3D重建结果也会出现严重失真。
中国科学技术大学、微软研究院、哈佛大学和清华大学的研究团队在2025年提出的MoGe方法，从根本上改变了这一技术路线。该论文《MoGe: Unlocking Accurate Monocular Geometry Estimation for Open-Domain Images with Optimal Training Supervision》提出了一种端到端的单目3D几何估计框架，直接从单张图像预测仿射不变的3D点图，在多个基准测试中显著超越了现有方法。
1.1 核心创新：仿射不变表示与全局-局部监督
MoGe的核心创新主要体现在两个方面：仿射不变的3D点图表示和精心设计的全局-局部监督策略。
仿射不变表示 解决了单目几何估计中固有的焦距-距离模糊性问题。传统方法预测的尺度不变点图只能容忍全局尺度的变化，而MoGe提出的仿射不变表示同时允许未知的全局尺度和3D偏移。这种表示方式与单目视觉的本质特性更加匹配——单目图像本身就缺乏绝对尺度和位置信息，因此预测也应该是尺度和位置不变的。
从数学角度看，仿射变换是线性变换与平移的组合，形式为P' = sP + t，其中s是标量尺度因子，t = (tx, ty, tz)是三维平移向量。仿射不变性意味着我们认为P和P'在几何上是等价的，它们描述的是同一个场景结构，只是在不同的坐标系下表示。这种不变性给予了模型极大的表示自由度：对于同一个输入图像，模型可以输出任意尺度和位置的点云，只要它们的相对几何结构正确即可。
全局-局部监督策略 则针对训练过程中的关键挑战进行了优化。全局监督采用作者提出的ROE（Robust, Optimal and Efficient）求解器，能够精确计算预测与真值之间的尺度和平移参数，克服了现有方法对异常值敏感或求解粗糙的问题。局部监督则通过多尺度局部几何损失，在不同尺度的局部区域独立进行仿射对齐并惩罚局部差异，有效学习区域特定的精细几何结构。
1.2 技术实现细节解析
MoGe的模型架构采用了经典的编码器-解码器结构，其中编码器使用Vision Transformer（ViT）提取图像特征，解码器则采用卷积网络生成密集的3D点图预测。这种混合架构既能够利用Transformer强大的全局特征提取能力，又能通过卷积网络保持空间细节。
在具体实现上，模型输入为H×W×3的图像I，输出为H×W×3的点图P，其中每个像素对应一个3D坐标(X,Y,Z)。值得注意的