WideDepth: новый бенчмарк оценки глубины для fisheye‑камер
Исследователи Сбера представили WideDepth — набор данных и протокол тестирования, показывающий, что ошибка SOTA‑моделей монокулярной глубины почти вдвое растёт при расширении угла обзора до 195°.
В статье «Почти 200° обзора: проверяем SOTA‑модели оценки глубины на fisheye», опубликованной на Habr ML, команда Сбербанка объявила о выпуске нового бенчмарка WideDepth. Он предназначен для оценки качества монокулярных моделей глубины, работающих с изображениями от fisheye‑камер, которые способны захватывать почти всё помещение в одном кадре.
Для создания WideDepth авторы собрали более 10 000 пар «изображение‑глубина», охватывающих широкий диапазон полей зрения (FOV) от 120° до 195°. Особое внимание уделено точной калибровке камеры и разметке, чтобы отделить влияние геометрии объектива от ошибок модели и погрешностей аннотаций.
Эксперименты показали, что при увеличении FOV с 120° до 195° средняя абсолютная ошибка (MAE) большинства SOTA‑моделей (MiDaS, DPT, ZoeDepth) возрастает более чем вдвое. Наиболее устойчивой к широкому обзору оказалась модель, обученная с учётом специфики fisheye‑геометрии, однако её точность всё равно отстает от результатов на обычных перспективах.
Авторы подчёркивают, что без подобных эталонных наборов сложно понять, что именно приводит к деградации качества: несовпадение распределения данных, особенности проекции или неточности разметки. WideDepth опубликован под лицензией CC‑BY‑4.0 и доступен на платформе Hugging Face, что позволяет исследователям и разработчикам быстро интегрировать его в свои пайплайны.
Подробности и ссылки на репозиторий можно найти в оригинальном материале: https://habr.com/ru/companies/sberbank/articles/1067004/
WideDepth открывает путь к более надёжным системам навигации и восприятия для роботов, использующих fisheye‑камеры. Разработчикам стоит учитывать геометрию объектива уже на этапе обучения, а не только в пост‑обработке, иначе точность глубины резко падает.
