Depth bleeding

El depth bleeding es un artefacto de mapas de profundidad en el cual una distancia estimada se extiende incorrectamente a través del límite de un objeto. Por ejemplo, los píxeles pertenecientes a una persona cercana pueden recibir la profundidad más lejana del fondo, o la profundidad de la persona puede extenderse hacia el fondo. Esto es especialmente importante en la depth estimation, donde cada píxel de la imagen debe representar la distancia a su superficie correspondiente.

Link to this sectionCómo se manifiesta el depth bleeding#

Un mapa de profundidad correcto contiene transiciones nítidas donde una superficie ocluye a otra. El depth bleeding reemplaza esa transición con valores mal ubicados, suavizados o mezclados. El CVPR study on segmentation and depth constraints describe una forma común en la que la profundidad del primer plano se expande hacia afuera en las regiones del fondo. (openaccess.thecvf.com)

Las causas típicas incluyen:

• Predicción de baja resolución seguida de sobremuestreo (upsampling)
• Suavizado convolucional que elimina información de bordes finos
• Funciones de pérdida dominadas por regiones grandes y suaves en lugar de límites estrechos
• Oclusiones y correspondencias estéreo ambiguas
• Desalineación entre imágenes RGB y etiquetas de profundidad
• Mediciones de sensores que mezclan superficies de primer plano y fondo

En la stereo vision basada en bloques, las ventanas de coincidencia pueden cubrir ambos lados de un borde. La OpenCV stereo depth guide señala que esto puede producir moteado cerca de los límites de los objetos, mientras que su disparity post-filtering documentation explica que los errores se concentran a menudo cerca de discontinuidades de profundidad y semioclusiones. (docs.opencv.org)

Link to this sectionTérminos relacionados y diferencias#

El depth bleeding se solapa con el boundary blur, pero los términos enfatizan diferentes aspectos: el boundary blur describe una transición excesivamente suave, mientras que el depth bleeding resalta valores incorrectos que cruzan hacia otra superficie. La investigación sobre sharp occlusion-boundary prediction aborda tanto la mala nitidez como los contornos mal ubicados. (openaccess.thecvf.com)

Los flying pixels suelen ser puntos de sensores aislados o inestables cerca de los bordes, mientras que el bleeding puede formar una banda continua. El depth bleeding tampoco está relacionado con la data leakage, que ocurre cuando el entrenamiento utiliza de manera incorrecta información no disponible durante la inferencia en el mundo real.

Link to this sectionImpacto en el mundo real#

• Robotics and object manipulation: Si la profundidad del fondo de una caja se extiende hacia su borde, un robot de recolección puede estimar un ancho incorrecto o elegir un punto de agarre inseguro.
• Autonomous vehicles: El bleeding alrededor de un peatón puede distorsionar la distancia del obstáculo, la forma de la nube de puntos y la 3D object detection posterior.
• Realidad aumentada: los límites incorrectos pueden hacer que los objetos virtuales aparezcan delante de muebles reales cuando deberían estar ocultos detrás de ellos. Los errores en los bordes de profundidad son particularmente perjudiciales para la realidad aumentada y la síntesis de vistas nuevas. (openaccess.thecvf.com)

Link to this sectionDetección y mitigación#

No confíes únicamente en las métricas de error promedio. Inspecciona las superposiciones de bordes de profundidad y las nubes de puntos reconstruidas, y evalúa la calidad de los límites con conjuntos de datos como iBims-1, que incluye máscaras para transiciones de profundidad distintas. (asg.ed.tum.de)

La mitigación práctica incluye el uso de entradas de alta resolución, pérdidas conscientes de los bordes, refinamiento guiado por segmentación, filtrado de confianza y etiquetas de entrenamiento alineadas con precisión. La Ultralytics depth estimation task guide admite la predicción densa por píxel con los modelos de profundidad de YOLO26, mientras que la depth dataset guide explica el formato de destino válido. Los equipos pueden gestionar la anotación, el entrenamiento, el despliegue y el monitoreo a través de Ultralytics Platform, prestando especial atención a los objetos finos y a los límites entre el primer plano y el fondo.