Ước lượng độ sâu đơn nhãn là gì? Tổng quan

Xe tự lái được thiết kế để hiểu những gì đang diễn ra xung quanh nhằm có thể di chuyển an toàn. Điều này đòi hỏi nhiều hơn việc chỉ nhận diện các đối tượng như người đi bộ hoặc phương tiện khác.

Chúng cũng cần biết các đối tượng đó cách bao xa để phản ứng phù hợp. Tuy nhiên, giúp máy móc có được khả năng cảm nhận khoảng cách này không hề đơn giản. Khác với con người, máy móc không tự nhiên nhận biết chiều sâu từ hình ảnh mà phải được huấn luyện cụ thể để làm điều đó.

Một nguyên nhân là hầu hết camera ghi lại thế giới dưới dạng hình ảnh phẳng, hai chiều. Việc chuyển những hình ảnh đó thành thông tin phản ánh chiều sâu và cấu trúc 3D thực tế rất phức tạp, đặc biệt khi hệ thống cần hoạt động đáng tin cậy trong các điều kiện thường ngày.

Điều thú vị là thị giác máy tính, một nhánh của AI tập trung vào việc diễn giải và hiểu dữ liệu trực quan, giúp máy móc hiểu thế giới tốt hơn từ hình ảnh. Chẳng hạn, ước tính độ sâu đơn ảnh là một kỹ thuật thị giác máy tính dùng duy nhất một hình ảnh từ camera để ước tính khoảng cách đến các đối tượng.

Bằng cách học các dấu hiệu trực quan như kích thước đối tượng, phối cảnh, kết cấu và độ đổ bóng, các model này có thể dự đoán độ sâu mà không cần đến các cảm biến bổ sung như LiDAR (Đo và định vị bằng ánh sáng) hoặc camera stereo. Trong bài viết này, chúng ta sẽ tìm hiểu ước tính độ sâu đơn ảnh là gì, cách thức hoạt động và một số ứng dụng trong thực tế. Hãy bắt đầu!

Giới thiệu nhanh về ước tính độ sâu đơn ảnh#

Ước tính độ sâu đơn ảnh cho phép máy hiểu các đối tượng cách nó bao xa chỉ bằng một hình ảnh. Vì chỉ sử dụng một camera, phương pháp này có một số ưu điểm, bao gồm chi phí thấp hơn và yêu cầu phần cứng đơn giản hơn.

Ví dụ, phương pháp này có thể được sử dụng trong các robot gia đình giá phải chăng chỉ hoạt động với một camera. Ngay cả từ một hình ảnh duy nhất, hệ thống robot cũng có thể xác định bức tường nào gần hơn, cánh cửa nào xa hơn và suy luận độ sâu tổng thể của không gian.

Thông thường, một hình ảnh duy nhất không chứa thông tin ở đúng tỷ lệ, vì vậy ước tính độ sâu đơn ảnh thường tập trung vào độ sâu tương đối. Nói cách khác, phương pháp này có thể xác định đối tượng nào gần hơn và đối tượng nào xa hơn, ngay cả khi chưa biết khoảng cách chính xác.

Khi một model được huấn luyện trên dữ liệu có khoảng cách thực hoặc độ sâu tuyệt đối, chẳng hạn các phép đo độ sâu từ cảm biến như LiDAR, model có thể học cách dự đoán khoảng cách theo đơn vị thực tế như mét. Nếu không có loại dữ liệu tham chiếu này, model vẫn có thể suy luận độ sâu tương đối nhưng không thể ước tính đáng tin cậy khoảng cách tuyệt đối.

Đầu ra của ước tính độ sâu đơn ảnh thường là depth map, tức một hình ảnh trong đó mỗi pixel biểu thị phần tương ứng của cảnh ở gần hay xa đến mức nào. Depth map cung cấp cho các hệ thống thị giác nhận thức cơ bản về cấu trúc 3D của môi trường.

Hình 1. Ví dụ về depth map được dự đoán bằng ước tính độ sâu đơn ảnh (Nguồn)

Từ cảm biến đến hình ảnh: Ước tính độ sâu#

Có thể tiếp cận bài toán ước tính độ sâu theo nhiều cách, tùy thuộc vào các cảm biến hiện có, giới hạn phần cứng và yêu cầu về độ chính xác. Các phương pháp truyền thống thường dựa trên nhiều góc nhìn hoặc cảm biến chuyên dụng để đo trực tiếp khoảng cách.

Một phương pháp phổ biến là thị giác stereo, ước tính độ sâu bằng cách so sánh hai hình ảnh được chụp đồng bộ từ các góc nhìn hơi khác nhau. Bằng cách đo sự khác biệt giữa các điểm tương ứng trong hai hình ảnh, hệ thống có thể suy luận các đối tượng cách camera bao xa.

Một phương pháp khác là các hệ thống RGB-D (Đỏ, lục, lam và độ sâu), sử dụng cảm biến độ sâu chủ động để đo trực tiếp khoảng cách tại từng pixel. Các hệ thống này có thể cung cấp thông tin độ sâu chính xác trong môi trường được kiểm soát nhưng cần thêm phần cứng.

Trong khi đó, các phương pháp dựa trên LiDAR sử dụng xung laser để tạo ra biểu diễn ba chiều chính xác của một cảnh. Dù có độ chính xác cao, cảm biến LiDAR thường đắt và làm tăng đáng kể độ phức tạp của phần cứng.

Ngược lại, ước tính độ sâu đơn ảnh suy luận độ sâu chỉ từ một hình ảnh RGB. Vì không phụ thuộc vào nhiều camera hoặc cảm biến chuyên dụng, phương pháp này dễ triển khai trên quy mô lớn hơn và phù hợp khi chi phí cũng như tài nguyên phần cứng bị hạn chế.

Học độ sâu từ một hình ảnh duy nhất#

Khi ước tính độ sâu từ một hình ảnh duy nhất, các model độ sâu đơn ảnh học cách nhận diện những dấu hiệu trực quan mà con người dùng theo bản năng để phán đoán khoảng cách. Các dấu hiệu này bao gồm các đường phối cảnh, kích thước đối tượng, mật độ kết cấu, sự che khuất và độ đổ bóng; tất cả đều gợi ý đối tượng cách camera bao xa.

Các dấu hiệu này phối hợp với nhau để tạo cảm nhận về chiều sâu. Những đối tượng trông nhỏ hơn hoặc bị che khuất một phần thường ở xa hơn, trong khi chi tiết rõ ràng hơn và hình ảnh có kích thước lớn hơn thường cho thấy đối tượng ở gần.

Để học các mẫu này, model độ sâu đơn ảnh được huấn luyện trên các dataset hình ảnh quy mô lớn, thường đi kèm thông tin độ sâu thu được từ những nguồn khác như LiDAR hoặc hệ thống stereo. Trong quá trình huấn luyện, model học mối quan hệ giữa các dấu hiệu trực quan và độ sâu, từ đó có thể suy luận khoảng cách từ một hình ảnh duy nhất tại thời điểm inference.

Với dữ liệu huấn luyện đa dạng, các model thị giác hiện đại có thể khái quát hóa hiểu biết đã học trên nhiều môi trường, bao gồm cảnh trong nhà và ngoài trời, đồng thời xử lý được các góc nhìn chưa từng gặp.

Tìm hiểu các kỹ thuật ước tính độ sâu đơn ảnh#

Tiếp theo, chúng ta sẽ tìm hiểu các phương pháp chính dùng để ước tính độ sâu từ một hình ảnh duy nhất và cách những phương pháp này phát triển theo thời gian.

Các phương pháp cổ điển và dựa trên hình học#

Các phương pháp ước tính độ sâu ban đầu dựa trên những quy tắc trực quan đơn giản gắn với hình học camera. Các dấu hiệu như phối cảnh, kích thước đối tượng và việc một đối tượng có che khuất đối tượng khác hay không được dùng để ước tính khoảng cách.

Ví dụ, khi hai đối tượng tương tự xuất hiện với kích thước khác nhau, đối tượng nhỏ hơn được giả định là ở xa hơn. Các phương pháp này hoạt động khá tốt trong môi trường được kiểm soát, nơi các yếu tố như ánh sáng, vị trí camera và bố cục cảnh luôn nhất quán.

Tuy nhiên, trong các cảnh thực tế, những giả định này thường không còn đúng. Biến thiên ánh sáng, thay đổi góc nhìn và độ phức tạp cao hơn của cảnh có thể dẫn đến các ước tính độ sâu không đáng tin cậy, làm hạn chế hiệu quả của phương pháp cổ điển trong môi trường không kiểm soát.

Các phương pháp machine learning ban đầu#

Các phương pháp machine learning ban đầu mang lại tính linh hoạt cao hơn cho bài toán ước tính độ sâu bằng cách học trực tiếp các mẫu từ dữ liệu. Thay vì chỉ dựa vào các quy tắc hình học cố định, những model này cố gắng học mối quan hệ giữa thông tin trực quan và khoảng cách, xem dự đoán độ sâu là một bài toán hồi quy dựa trên các dấu hiệu như cạnh, kết cấu và thay đổi màu sắc.

Việc lựa chọn các đặc trưng là một phần then chốt của quy trình. Kỹ sư phải quyết định cần trích xuất tín hiệu trực quan nào và biểu diễn chúng ra sao; hiệu năng của model phụ thuộc rất nhiều vào những lựa chọn này.

Dù hoạt động tốt hơn các phương pháp trước đó, cách tiếp cận này vẫn có những giới hạn. Nếu các đặc trưng được chọn thiếu ngữ cảnh quan trọng, dự đoán độ sâu sẽ kém chính xác hơn. Khi cảnh trở nên phức tạp và đa dạng hơn, các model này thường gặp khó khăn trong việc tạo ra kết quả đáng tin cậy.

Các thuật toán deep learning#

Hầu hết hệ thống ước tính độ sâu đơn ảnh hiện đại đều sử dụng deep learning, tức các mạng neural có nhiều lớp có khả năng học những mẫu phức tạp từ dữ liệu. Các model này học cách dự đoán độ sâu trực tiếp từ hình ảnh và tạo ra depth map.

Nhiều phương pháp được xây dựng bằng mạng neural tích chập (CNN), một loại mạng neural được thiết kế để xử lý hình ảnh bằng cách phát hiện các mẫu như cạnh và hình dạng. Những model này thường sử dụng cấu trúc encoder–decoder: encoder trích xuất các đặc trưng trực quan từ hình ảnh, còn decoder chuyển những đặc trưng đó thành depth map. Xử lý hình ảnh ở nhiều tỷ lệ giúp model nắm bắt bố cục tổng thể của cảnh mà vẫn nhận diện rõ ranh giới đối tượng.

Các model mới hơn tập trung vào việc hiểu mối quan hệ giữa những phần khác nhau của một hình ảnh. Các model dựa trên Transformer và Vision Transformer (ViT) sử dụng cơ chế attention, cho phép model xác định những vùng nào trong hình ảnh có liên quan nhất và liên kết các khu vực cách xa nhau. Điều này giúp model xây dựng nhận thức nhất quán hơn về độ sâu trên toàn bộ cảnh.

Một số hệ thống kết hợp cả hai ý tưởng. Các model CNN–Transformer lai sử dụng CNN để nắm bắt chi tiết cục bộ tinh vi và Transformer để mô hình hóa ngữ cảnh toàn cục của cảnh. Dù thường cải thiện độ chính xác, cách này thường cần nhiều tài nguyên tính toán hơn, chẳng hạn thêm bộ nhớ và năng lực xử lý.

Vì sao hiểu độ sâu quan trọng đối với các hệ thống AI thị giác#

Khi tìm hiểu về ước tính độ sâu đơn ảnh, bạn có thể thắc mắc vì sao khả năng hiểu độ sâu lại là một phần quan trọng của các hệ thống AI dựa trên thị giác.

Khi hệ thống có thể ước tính các đối tượng và bề mặt cách bao xa, hệ thống sẽ hiểu rõ hơn cách một cảnh được bố trí và mối quan hệ giữa các thành phần khác nhau. Nhận thức không gian này rất cần thiết để đưa ra quyết định đáng tin cậy, đặc biệt trong các ứng dụng thực tế như lái xe tự động.

Thông tin độ sâu cũng bổ sung ngữ cảnh có giá trị cho các tác vụ thị giác máy tính khác. Ví dụ, phát hiện đối tượng, được hỗ trợ bởi các model như Ultralytics YOLO26, có thể cho hệ thống biết những gì đang hiện diện trong cảnh, nhưng độ sâu giúp trả lời các đối tượng đó nằm ở đâu so với camera và so với nhau.

Kết hợp với nhau, các khả năng này hỗ trợ nhiều ứng dụng AI thị giác, chẳng hạn xây dựng bản đồ 3D, điều hướng trong môi trường phức tạp và hiểu toàn bộ một cảnh.

Robot và phương tiện tự hành phụ thuộc vào thông tin này để di chuyển an toàn, tránh chướng ngại vật và phản ứng với các thay đổi theo thời gian thực. Chẳng hạn, phương pháp lái xe chỉ dựa trên thị giác của Tesla dựa vào hình ảnh camera kết hợp với ước tính độ sâu thay vì LiDAR để hiểu các đối tượng cách bao xa và được định vị như thế nào trên đường.

Cách các model ước tính độ sâu đơn ảnh hoạt động#

Mặc dù kiến trúc model khác nhau, hầu hết model ước tính độ sâu đơn ảnh đều tuân theo quy trình tương tự để chuyển một hình ảnh duy nhất thành depth map. Dưới đây là tổng quan nhanh về các bước chính:

• Đầu vào và tiền xử lý: Quy trình bắt đầu với một hình ảnh đầu vào. Trước khi được đưa vào model, hình ảnh gốc thường được thay đổi kích thước, chuẩn hóa và chuyển thành tensor, một định dạng mà mạng neural sử dụng để xử lý dữ liệu hình ảnh hiệu quả.
• Trích xuất đặc trưng: Một mạng encoder phân tích hình ảnh để trích xuất các đặc trưng trực quan có ý nghĩa. Những đặc trưng này nắm bắt thông tin như kết cấu, ranh giới đối tượng và bố cục tổng thể của cảnh. Hầu hết model hoạt động ở nhiều tỷ lệ để có thể hiểu cả chi tiết tinh vi lẫn cấu trúc toàn cục.
• Suy luận độ sâu: Sử dụng các đặc trưng đã trích xuất, model kết hợp chi tiết cục bộ với ngữ cảnh toàn cục để suy luận các mối quan hệ không gian trong cảnh. Ở giai đoạn này, model học vùng nào trong hình ảnh gần camera hơn và vùng nào ở xa hơn.
• Tạo depth map: Sau đó, decoder chuyển thông tin này thành một depth map dày đặc. Mỗi pixel trong hình ảnh được gán một giá trị độ sâu, thường bằng cách kết hợp các dự đoán từ nhiều tỷ lệ khác nhau để cải thiện độ chính xác và tính nhất quán.

Cách huấn luyện các model ước tính độ sâu đơn ảnh#

Quy trình vừa thảo luận giả định rằng chúng ta đã có một model được huấn luyện hoặc pre-trained. Nhưng quá trình huấn luyện một model ước tính độ sâu đơn ảnh thực sự diễn ra như thế nào?

Quá trình huấn luyện bắt đầu bằng việc chuẩn bị dữ liệu hình ảnh để mạng có thể xử lý hiệu quả. Hình ảnh đầu vào được thay đổi kích thước và chuẩn hóa về một tỷ lệ nhất quán, sau đó đi qua model để tạo depth map dự đoán, trong đó ước tính khoảng cách tại từng pixel.

Depth map dự đoán sau đó được so sánh với dữ liệu độ sâu tham chiếu bằng một hàm loss, đo mức chênh lệch giữa dự đoán của model và độ sâu thực. Giá trị loss biểu thị sai số hiện tại của model và cung cấp tín hiệu để cải thiện.

Optimizer sử dụng tín hiệu này để cập nhật model bằng cách điều chỉnh các trọng số bên trong. Để thực hiện việc đó, optimizer tính gradient, mô tả cách loss thay đổi theo từng tham số của model, rồi áp dụng các cập nhật này lặp đi lặp lại qua nhiều epoch, tức các lượt duyệt toàn bộ dataset huấn luyện.

Quy trình huấn luyện supervised learning lặp đi lặp lại này được điều khiển bởi các hyperparameter như learning rate, quyết định độ lớn của mỗi bước cập nhật, và batch size, quyết định số lượng hình ảnh được xử lý cùng lúc. Vì huấn luyện bao gồm rất nhiều phép toán, quy trình này thường được tăng tốc bằng graphics processing unit (GPU), vốn phù hợp với tính toán song song.

Khi hoàn tất huấn luyện, model được đánh giá bằng các metric đánh giá tiêu chuẩn trên một validation set, gồm những hình ảnh không được sử dụng trong quá trình huấn luyện. Việc đánh giá này giúp đo lường khả năng khái quát hóa của model đối với dữ liệu mới.

Sau đó, model đã huấn luyện có thể được tái sử dụng hoặc fine-tune cho các kịch bản mới. Nhìn chung, quy trình huấn luyện này giúp các model ước tính độ sâu đơn ảnh tạo ra các ước tính độ sâu nhất quán, yếu tố thiết yếu cho các tác vụ downstream như tái tạo 3D và triển khai trong thực tế.

Tìm hiểu các model tiên tiến và xu hướng nghiên cứu#

Ước tính độ sâu đơn ảnh đã cải thiện nhanh chóng khi các model ngày càng hiểu tốt hơn toàn bộ cảnh thay vì chỉ các chi tiết trực quan nhỏ. Các phương pháp trước đây thường tạo ra depth map không đồng đều, đặc biệt trong môi trường phức tạp.

Các model mới hơn, như được thể hiện trong những nghiên cứu gần đây công bố trên arXiv, tập trung nhiều hơn vào ngữ cảnh toàn cục, dẫn đến các dự đoán độ sâu ổn định và chân thực hơn. Những model nổi tiếng như MiDaS và DPT góp phần thúc đẩy sự chuyển dịch này bằng cách học độ sâu từ các dataset đa dạng, độ phân giải cao và khái quát hóa tốt trên nhiều cảnh.

Các model mới hơn, bao gồm ZoeDepth và Depth Anything V2, phát triển dựa trên nền tảng này bằng cách cải thiện tính nhất quán về tỷ lệ mà vẫn duy trì hiệu năng cao trên nhiều bối cảnh. Tiến bộ này thường được đo bằng các dataset benchmark phổ biến như KITTI và NYU, bao phủ cả cảnh ngoài trời lẫn trong nhà.

Một xu hướng rõ ràng khác là cân bằng độ chính xác với tính thực tiễn. Các model nhỏ hơn được tối ưu cho tốc độ và có thể chạy theo thời gian thực trên thiết bị edge hoặc di động, trong khi các model lớn hơn ưu tiên độ phân giải cao hơn và độ chính xác độ sâu ở khoảng cách xa.

Các ứng dụng của ước tính độ sâu đơn ảnh#

Tiếp theo, chúng ta sẽ xem xét một số ví dụ thực tế cho thấy ước tính độ sâu đơn ảnh được sử dụng như thế nào để suy luận cấu trúc 3D của một cảnh từ một hình ảnh duy nhất.

Trong mọi trường hợp này, cần lưu ý rằng thông tin độ sâu là một ước tính được suy luận từ các dấu hiệu trực quan, không phải phép đo chính xác. Vì vậy, ước tính độ sâu đơn ảnh hữu ích để hiểu bố cục tương đối và các mối quan hệ không gian, nhưng không thể thay thế các cảm biến được thiết kế để đo khoảng cách chính xác như LiDAR hoặc hệ thống stereo.

Lập bản đồ địa hình và điều hướng bằng drone#

Drone thường hoạt động trong những môi trường có tín hiệu GPS không đáng tin cậy, chẳng hạn rừng, công trường xây dựng, khu vực thiên tai hoặc đô thị dày đặc. Để bay an toàn trong các điều kiện này, chúng cần hiểu địa hình xung quanh và biết chướng ngại vật cách bao xa. Trước đây, việc này thường đòi hỏi bổ sung các cảm biến như LiDAR hoặc camera stereo, làm tăng trọng lượng, mức tiêu thụ năng lượng và tổng chi phí.

Ước tính độ sâu đơn ảnh là một giải pháp thay thế đơn giản hơn. Chỉ sử dụng một camera RGB, drone có thể ước tính độ sâu từ hình ảnh và xây dựng hiểu biết 3D cơ bản về môi trường xung quanh. Nhờ đó, drone có thể phát hiện các chướng ngại vật như tòa nhà, cây cối hoặc những thay đổi đột ngột của địa hình, rồi điều chỉnh đường bay theo thời gian thực.

Các ước tính độ sâu này hỗ trợ những tác vụ điều hướng quan trọng, bao gồm tránh chướng ngại vật, kiểm soát độ cao và hạ cánh an toàn. Nhờ vậy, drone nhẹ có thể thực hiện các tác vụ lập bản đồ, kiểm tra và điều hướng mà không phụ thuộc vào cảm biến độ sâu chuyên dụng.

Hình 2. Có thể sử dụng ước tính độ sâu đơn ảnh để phân tích hình ảnh từ drone (Nguồn)

Bổ sung vùng mù cho phương tiện đua tự hành#

Phương tiện tự hành thường phụ thuộc nhiều vào cảm biến LiDAR, sử dụng các xung laser để đo khoảng cách và xây dựng góc nhìn 3D về con đường. Dù có độ chính xác cao, LiDAR có thể gặp khó khăn với đỉnh dốc gắt, sườn dốc lớn, tình trạng che khuất hoặc góc nghiêng đột ngột của phương tiện, đôi khi trả về dữ liệu độ sâu thưa thớt hoặc bị thiếu.

Ước tính độ sâu đơn ảnh có thể giúp lấp đầy những khoảng trống này bằng cách cung cấp thông tin độ sâu dày đặc từ một hình ảnh RGB duy nhất, ngay cả khi dữ liệu LiDAR không đầy đủ. Hãy xét tình huống một xe tự lái đang chạy nhanh và tiến đến đỉnh dốc. Các tia LiDAR có thể vượt qua phần đường phía sau đỉnh dốc, khiến hệ thống không chắc chắn về những gì ở phía trước.

Tuy nhiên, ước tính độ sâu dựa trên camera vẫn có thể suy luận hình dạng con đường từ các dấu hiệu trực quan như phối cảnh và kết cấu, giúp phương tiện duy trì khả năng nhận thức đáng tin cậy cho đến khi dữ liệu LiDAR ổn định. Kết hợp với nhau, LiDAR và ước tính độ sâu đơn ảnh mang lại khả năng nhận thức ổn định hơn và điều khiển an toàn hơn trong các điều kiện lái xe đầy thách thức.

Hình 3. Minh họa việc sử dụng ước tính độ sâu đơn ảnh cho đua xe tự hành (Nguồn)

Điều hướng robot và tránh chướng ngại vật#

Robot thường hoạt động ở những nơi không có bản đồ chi tiết và điều kiện thay đổi liên tục. Để di chuyển an toàn, chúng cần nhận biết đáng tin cậy không gian xung quanh rộng bao nhiêu và chướng ngại vật nằm ở đâu.

Ước tính độ sâu đơn ảnh có thể cung cấp nhận thức không gian này bằng một camera RGB duy nhất mà không cần phần cứng nặng hoặc đắt tiền. Bằng cách học các dấu hiệu trực quan như tỷ lệ và phối cảnh, các model ước tính độ sâu có thể tạo depth map dày đặc của môi trường xung quanh. Điều này cho robot cái nhìn rõ ràng về khoảng cách đến các bề mặt và đối tượng.

Đặc biệt, khi thông tin độ sâu được kết hợp với các tác vụ thị giác máy tính như phát hiện đối tượng và phân đoạn ngữ nghĩa, robot có thể có cái nhìn đầy đủ hơn về môi trường. Robot có thể xác định đối tượng, hiểu khoảng cách đến chúng và quyết định nơi nào an toàn để di chuyển. Điều này hỗ trợ tránh chướng ngại vật, phát hiện vùng trống và lập kế hoạch đường đi theo thời gian thực.

Hình 4. Phát hiện đối tượng bằng ước tính độ sâu đơn ảnh và phát hiện đối tượng (Nguồn)

Ưu và nhược điểm của ước tính độ sâu đơn ảnh#

Dưới đây là một số ưu điểm chính của việc sử dụng ước tính độ sâu đơn ảnh:

• Nhẹ và tiết kiệm năng lượng: Sử dụng một camera giúp giảm trọng lượng hệ thống và mức tiêu thụ năng lượng, đặc biệt quan trọng đối với robot di động, drone và hệ thống nhúng.
• Thuận lợi cho sensor fusion: Độ sâu đơn ảnh có thể bổ trợ cho các cảm biến khác như LiDAR hoặc radar bằng cách lấp đầy khoảng trống hoặc cung cấp khả năng dự phòng.
• Hoạt động trong nhiều môi trường: Cùng một phương pháp dựa trên camera có thể được sử dụng trong nhà, ngoài trời và trên nhiều nền tảng khác nhau mà không cần thay đổi phần cứng.

Dù ước tính độ sâu đơn ảnh mang lại những lợi ích rõ ràng, dưới đây là một số hạn chế cần cân nhắc:

• Độ chính xác thấp hơn cảm biến chủ động: Dù đang được cải thiện nhanh chóng, ước tính độ sâu đơn ảnh nhìn chung không thể đạt độ chính xác tuyệt đối của LiDAR hoặc cảm biến ánh sáng cấu trúc trong các điều kiện được kiểm soát.
• Nhạy cảm với điều kiện ánh sáng: Hiệu năng có thể suy giảm trong môi trường thiếu sáng, có bóng đổ mạnh, ánh sáng chói hoặc cảnh có kết cấu nghèo nàn.
• Thách thức về khả năng khái quát hóa: Một model được huấn luyện trong một môi trường không phải lúc nào cũng chuyển giao đáng tin cậy sang các miền chưa từng thấy nếu không được adaptation hoặc fine-tune.

Khi nào không nên dựa vào ước tính độ sâu đơn ảnh#

Mặc dù ước tính độ sâu đơn ảnh là một lĩnh vực nghiên cứu thú vị, điều quan trọng là phải hiểu những trường hợp có thể và không thể sử dụng nó trong thực tế. Khoảng cách mà phương pháp này tạo ra là các ước tính dựa trên những gì model nhìn thấy trong hình ảnh, không phải các phép đo chính xác từ thế giới thực.

Vì vậy, chất lượng kết quả có thể thay đổi tùy thuộc vào các yếu tố như ánh sáng, độ phức tạp của cảnh và mức độ tương đồng giữa cảnh đó với dữ liệu model đã được huấn luyện. Ước tính độ sâu đơn ảnh thường hoạt động tốt trong việc xác định vật nào gần hơn và vật nào xa hơn, nhưng không đáng tin cậy khi cần khoảng cách chính xác.

Trong những tình huống đòi hỏi độ chính xác cao, chẳng hạn hệ thống an toàn trọng yếu, kiểm tra công nghiệp hoặc robot cần tương tác cực kỳ chính xác với đối tượng, độ sâu cần được đo trực tiếp. Các cảm biến như LiDAR, radar, camera stereo hoặc hệ thống ánh sáng cấu trúc được thiết kế cho mục đích này và cung cấp thông tin khoảng cách đáng tin cậy hơn nhiều.

Ước tính độ sâu đơn ảnh cũng có thể gặp khó khăn trong các điều kiện trực quan phức tạp. Ánh sáng kém, bóng đổ mạnh, bề mặt phản chiếu hoặc trong suốt, sương mù, khói hoặc cảnh có rất ít kết cấu đều có thể làm cho các ước tính độ sâu kém đáng tin cậy hơn. Ước tính độ sâu ở khoảng cách xa là một trường hợp khác mà các cảm biến chuyên dụng thường hoạt động tốt hơn.

Đối với các giải pháp trong thế giới thực, ước tính độ sâu đơn ảnh hoạt động tốt nhất như một công cụ hỗ trợ thay vì một giải pháp độc lập. Công nghệ này có thể bổ sung thông tin không gian hữu ích, giúp lấp đầy khoảng trống khi các cảm biến khác bị hạn chế và cải thiện khả năng hiểu tổng thể về cảnh. Tuy nhiên, không nên sử dụng đây làm nguồn thông tin độ sâu duy nhất khi độ chính xác, an toàn hoặc các yêu cầu nghiêm ngặt về độ tin cậy là yếu tố quan trọng.

Những điểm chính#

Ước tính độ sâu đơn ảnh là một kỹ thuật thị giác máy tính cho phép máy móc ước tính khoảng cách đến các đối tượng chỉ bằng một ảnh từ camera đơn. Bằng cách học các dấu hiệu thị giác như phối cảnh, kích thước đối tượng, kết cấu và đổ bóng, các model AI này có thể suy luận cấu trúc 3D của một cảnh mà không cần dựa vào các cảm biến như LiDAR hoặc camera stereo. Điều này khiến ước tính độ sâu đơn ảnh trở thành một phương pháp tiết kiệm chi phí và có khả năng mở rộng cho các ứng dụng như lái xe tự động, robot và hiểu cảnh 3D.

Để tìm hiểu thêm về AI thị giác, hãy truy cập repository GitHub của chúng tôi và tham gia cộng đồng của chúng tôi. Hãy xem các trang giải pháp của chúng tôi để tìm hiểu về AI trong lĩnh vực robot và thị giác máy tính trong sản xuất. Khám phá các tùy chọn cấp phép của chúng tôi để bắt đầu với thị giác máy tính ngay hôm nay!