Depth bleeding

深度溢出（Depth bleeding）是一种深度图伪影，即估计距离错误地跨越了物体边界。例如，属于附近人的像素可能会获得背景较远的深度，或者人的深度可能会延伸到背景中。这在深度估计中尤为重要，其中每个图像像素都应该表示到其对应表面的距离。

Link to this section深度溢出是如何表现的#

正确的深度图包含锐利的过渡，其中一个表面遮挡了另一个表面。深度溢出用错位的、平滑的或混合的值取代了该过渡。关于分割和深度约束的 CVPR 研究描述了一种常见形式，其中前景深度向外扩展到背景区域。(openaccess.thecvf.com)

典型原因包括：

• 低分辨率预测后接上采样
• 消除精细边缘信息的卷积平滑
• 由大块平滑区域而不是狭窄边界主导的损失函数
• 遮挡和模棱两可的立体对应关系
• RGB 图像与深度标签之间的不对齐
• 混合了前景和背景表面的传感器测量值

在基于块的立体视觉中，匹配窗口可以覆盖边缘的两侧。OpenCV 立体深度指南指出，这会在物体边界附近产生斑点，而其视差后滤波文档解释说，错误往往集中在深度不连续处和半遮挡处。(docs.opencv.org)

Link to this section相关术语与区别#

深度溢出与边界模糊（boundary blur）重叠，但这两个术语侧重于不同的方面：边界模糊描述的是过度平滑的过渡，而深度溢出则强调错误的值穿透到另一个表面。关于尖锐遮挡边界预测的研究同时解决了锐度差和轮廓错位的问题。(openaccess.thecvf.com)

飞行像素（Flying pixels）通常是边缘附近的孤立或不稳定传感器点，而溢出则可能形成连续的带。深度溢出也与数据泄漏无关，数据泄漏发生在训练不当地使用了真实世界推理期间无法获得的信息时。

Link to this section现实世界的影响#

• **机器人与物体操作：**如果箱子的背景深度溢出到其边缘，分拣机器人可能会估计错误的宽度或选择不安全的抓取点。
• **自动驾驶汽车：**行人周围的溢出会扭曲障碍物距离、点云形状以及下游的3D 物体检测。
• 增强现实：不正确的边界可能会使虚拟物体在应该隐藏在真实家具后面时，反而显示在真实家具的前面。深度边缘错误对增强现实和新视点合成尤其有害。(openaccess.thecvf.com)

Link to this section检测与缓解#

不要仅仅依赖平均误差指标。检查深度边缘叠加图和重建的点云，并使用诸如 iBims-1（包含不同深度过渡的掩码）等数据集评估边界质量。(asg.ed.tum.de)

实际缓解措施包括使用更高分辨率的输入、边缘感知损失、分割引导的精细化、置信度过滤以及准确对齐的训练标签。Ultralytics 深度估计任务指南支持通过 YOLO26 深度模型进行稠密逐像素预测，而深度数据集指南解释了有效的目标格式。团队可以通过 Ultralytics Platform 管理标注、训练、部署和监控，同时特别注意细长物体和前景-背景边界。