🔭 Metric3Dv2：单目几何基础模型的前沿技术解析

"One image, full 3D world." —— 从一张普通照片，恢复可度量的三维空间

---

📌三句话读懂本文

1️⃣ Metric3Dv2 是一个单目几何基础模型，能从一张 RGB 图像同时预测 metric 尺度的深度图 + 表面法向图，在 10+ 个权威 benchmark 上达到零样本 SOTA。

2️⃣ 其核心创新在于 Label Scale Canonical Transformation（将不同焦距的数据映射到统一规范空间）+ DPT 多尺度解码 + RAFT 迭代优化 的深度融合架构。

3️⃣ 支持 ConvNeXt / ViT-DINO 双 Backbone、SSF / LoRA 高效微调、ONNX 导出，已落地于自动驾驶、机器人导航、AR/VR、3D 重建等多个领域。

---

一、🌍 背景：为什么单目几何估计需要"基础模型"？

深度估计是计算机视觉最古老的问题之一，但长期以来面临一个根本性困境：

时代	代表方法	核心痛点
传统 MDE	MiDaS / AdaBins	只能输出相对深度，没有物理尺度
仿射不变	LeReS / Metric3Dv1	形状正确，但尺度/位移模糊
基础模型时代	Depth Anything / Marigold	泛化强，但仍缺 metric 尺度
✅ 几何基础模型	Metric3Dv2	一张图 → 可度量 3D + 表面法向

1.1 问题的本质：尺度歧义

单目深度估计的根本难点在于：同一张 2D 图像，可以对应无数种 3D 场景——近处的小物体和远处的大物体，在图像上可能完全一样。

Metric3Dv2 的解法是：

不在像素空间里"猜"深度，而是在一个精心设计的规范空间（Canonical Space）里学几何，再映射回物理世界。

1.2 为什么还要预测表面法向？

深度图告诉你"每个点离相机多远"，但法向图告诉你"每个表面朝哪个方向"。两者结合，才能完整描述 3D 几何：

• 🧱 深度 → 场景的"骨架"

• 🪞 法向 → 表面的"皮肤"

这在光照估计、物理仿真、3D 重建等下游任务中至关重要。

---

二、🏗️ 核心技术解析（代码级 🔍）

2.1 整体架构：DensePredModel

整个模型由 Encoder + Decoder 两大部分组成，代码极其简洁：

# dense_pipeline.py
class DensePredModel(nn.Module):
    def __init__(self, cfg) -> None:
        super(DensePredModel, self).__init__()
        # Encoder：ConvNeXt 或 ViT-DINO
        self.encoder = get_func('mono.model.' + cfg.model.backbone.type)(**cfg.model.backbone)
        # Decoder：RAFT + DPT 融合解码器
        self.decoder = get_func('mono.model.' + cfg.model.decode_head.type)(cfg)

    def forward(self, input, **kwargs):
        features = self.encoder(input)   # [f_32, f_16, f_8, f_4]
        out = self.decoder(features, **kwargs)
        return out

✅ 设计哲学：

• Encoder 负责"看懂图像"——提取多尺度语义与结构特征

• Decoder 负责"恢复几何"——将特征逐步解码为深度与法向

---

2.2 Backbone 双选择：ConvNeXt vs ViT-DINO

Metric3Dv2 支持两种 backbone，用户可按需选择：

🔹 ConvNeXt：CNN 的现代化复兴

# ConvNeXt.py
class Block(nn.Module):
    def __init__(self, dim, drop_path=0., layer_scale_init_value=1e-6):
        super().__init__()
        self.dwconv = nn.Conv2d(dim, dim, kernel_size=7, padding=3, groups=dim)  # 深度可分离卷积
        self.norm = LayerNorm(dim, eps=1e-6)  # 前置归一化
        self.pwconv1 = nn.Linear(dim, 4 * dim)  # 逐点卷积（用 Linear 实现）
        self.act = nn.GELU()
        self.pwconv2 = nn.Linear(4 * dim, dim)
        self.gamma = nn.Parameter(layer_scale_init_value * torch.ones(dim))  # Layer Scale
        self.drop_path = DropPath(drop_path)

    def forward(self, x):
        input = x
        x = self.dwconv(x)
        x = x.permute(0, 2, 3, 1)  # (N,C,H,W) → (N,H,W,C) 用 Linear 做逐点卷积
        x = self.norm(x)
        x = self.pwconv1(x)
        x = self.act(x)
        x = self.pwconv2(x)
        x = x.permute(0, 3, 1, 2)  # 回到 (N,C,H,W)
        return input + self.drop_path(self.gamma * x)

ConvNeXt 的设计精髓：

• 🔧 7×7 深度可分离卷积：扩大感受野，捕获大范围上下文

• 📐 前置 LayerNorm：训练更稳定

• 🎚️ Layer Scale（γ 参数）：逐通道缩放残差，防止深层网络梯度爆炸

• 🔀 Inverted Bottleneck（1× Linear 升维 4 倍 → GELU → 1× Linear 降维）：类 Transformer 的 FFN 设计

🔹 ViT-DINO：冻结的视觉 Transformer

# ViT_DINO_reg.py（关键片段）
class PatchEmbed(nn.Module):
    def __init__(self, img_size=224, patch_size=14, in_chans=3, embed_dim=1024, ...):
        self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_HW, stride=patch_HW)
        self.norm = norm_layer(embed_dim) if norm_layer else nn.Identity()
        # SSF 微调参数
        if tuning_mode == 'ssf':
            self.ssf_scale_1, self.ssf_shift_1 = init_ssf_scale_shift(embed_dim)

ViT-DINO 的关键设计：

• 🧊 冻结主体权重：DINOv2 在亿级无标注图像上预训练，表征能力极强

• 🔧 SSF（Scale & Shift）微调：只学两个小向量（scale + shift），参数增量 < 0.1%

• 🔀 LoRA 可选：对 Linear 层注入低秩适配矩阵

# SSF 实现
def ssf_ada(x, scale, shift):
    return x * scale + shift  # 极其简单，但效果显著

💡 为什么冻结 Backbone？ 因为 DINOv2 已经学会了"什么是边缘、什么是平面、什么是物体"，这些通用视觉先验对几何估计极其有用。Metric3Dv2 要做的，只是在这个表征上学会"怎么量尺寸"。

---

2.3 核心创新①：Label Scale Canonical Transformation

这是 Metric3Dv2 最优雅、也最容易被忽视的创新。代码在 transform.py 中：

# transform.py
class LableScaleCanonical(object):
    def __init__(self, **kwargs):
        self.canonical_focal = kwargs['focal_length']  # 规范焦距，如 1000.0

    def _get_scale_ratio(self, intrinsic):
        target_focal_x = intrinsic[0]
        label_scale_ratio = self.canonical_focal / target_focal_x
        return label_scale_ratio, 1.0

    def __call__(self, images, labels, intrinsics, ...):
        for i in range(len(intrinsics)):
            intrinsic_i = intrinsics[i].copy()
            label_scale_ratio, _ = self._get_scale_ratio(intrinsic_i)
            # 将焦距映射到规范空间
            intrinsics[i] = [intrinsic_i[0] * label_scale_ratio, ...]
            # 深度值同步缩放
            labels[i] = label_i * label_scale_ratio

这个操作的物理含义：

想象你有两张照片——一张用广角镜头（f=500px），一张用长焦镜头（f=2000px），拍的是同一个场景。在像素空间里，它们的深度值分布完全不同。

Metric3Dv2 的做法是：

把所有图像的焦距都"拉伸"到同一个规范值（如 1000px），深度值也同步缩放。

这样，模型在训练时看到的"世界"永远是同一个尺度，消除了焦距带来的尺度歧义。

🎯 效果：

• 不同数据集（KITTI f≈721, NYU f≈518, ScanNet f≈578）可以混在一起训练

• 模型学到的不是"某一种相机的深度"，而是"通用几何"

• 推理时只需知道焦距，就能输出正确的 metric 深度

---

2.4 核心创新②：DPT-style Token 解码

DPT（Dense Prediction Transformer）的核心思想是将 ViT 的 token 序列"还原"为多尺度 2D 特征图：

# RAFTDepthNormalDPTDecoder5.py（结构示意）
class Token2Feature(nn.Module):
    def __init__(self, token_dim, feature_dim, scale_factor=1.0, ...):
        self.readout = ReadOut(token_dim, ...)       # CLS/Register tokens → 融合
        self.token2feature = nn.Conv2d(...)          # Token → 2D 特征
        self.upsample = nn.Upsample(scale_factor=...) # 上采样到目标分辨率

    def forward(self, tokens, ...):
        x = self.readout(tokens)        # (B, N, C) → (B, C')
        x = self.token2feature(x)       # → (B, feature_dim, H', W')
        x = self.upsample(x)            # → 目标分辨率
        return x

多尺度特征融合路径：

ViT 输出 tokens (1/14 分辨率)
  ├─ read_3 → 1/14 特征 (256ch)
  ├─ read_2 → 1/14 特征 (256ch)
  ├─ read_1 → 上采样到 1/7 特征 (128ch)
  └─ read_0 → 上采样到 1/4 特征 (64ch)

ConvNeXt 输出特征 (1/4 分辨率, 256ch)
  └─ 与 read_0 拼接 → 融合特征 (320ch)

💡 为什么用 DPT 而不是直接卷积上采样？ 因为 ViT 的全局注意力机制让每个 token 都"看到了全图"，这种全局上下文对深度估计的遮挡推理、大平面一致性至关重要。DPT 是连接"Transformer 表征"和"密集预测"的桥梁。

---

2.5 核心创新③：RAFT-style 迭代优化

这是 Metric3Dv2 区别于所有 DPT 衍生方法的关键设计。代码在 RAFTDepthNormalDPTDecoder5.py：

# RAFT-style 多尺度 GRU 更新
self.gru08 = ConvGRU(...)   # 1/8 分辨率 GRU
self.gru16 = ConvGRU(...)   # 1/16 分辨率 GRU
self.gru32 = ConvGRU(...)   # 1/32 分辨率 GRU

# 上下文特征编码器
self.context_feature_encoder = ContextFeatureEncoder(...)
self.context_feature_decoder = ContextFeatureDecoder(...)

# 迭代次数
self.iters = 22  # 22 次迭代 refine

RAFT 迭代优化的核心思想：

# 简化版 RAFT 流程
for iter in range(self.iters):
    # 1. 从当前深度估计中提取特征
    hidden_state = gru_update(hidden_state, current_depth_features, context_features)
    # 2. 用 GRU 更新隐藏状态
    delta_depth = predict_delta(hidden_state)
    # 3. 预测残差并累加
    current_depth = current_depth + delta_depth

为什么要迭代？

单次预测	迭代优化
容易在薄结构（栏杆、电线）处崩	GRU 逐步"修复"错误区域
遮挡边界模糊	上下文特征提供遮挡推理能力
远距离深度噪声大	多次迭代平滑噪声
平面不平整	GRU 记忆机制保证平面一致性

🎯 类比：就像画画——先画一个粗糙的轮廓（单次预测），再反复打磨细节（迭代优化）。RAFT 在光流领域已被证明极其有效，Metric3Dv2 将其成功迁移到了深度/法向估计。

---

2.6 深度回归：分类而非回归

Metric3Dv2 没有直接回归深度值，而是采用了分类 + 期望的策略：

# HourGlassDecoder.py
def compute_depth_expectation(prob, depth_values):
    depth_values = depth_values.view(*depth_values.shape, 1, 1)
    depth = torch.sum(prob * depth_values, 1)  # 加权平均
    return depth

class HourglassDecoder(nn.Module):
    def __init__(self, cfg):
        self.num_depth_regressor_anchor = 512  # 512 个深度 bin
        # 深度 bin 在 log 空间均匀划分
        depth_bins_vec = torch.linspace(math.log(min_val), math.log(max_val), 512)
        depth_bins_vec = torch.exp(depth_bins_vec)  # 指数空间

    def regress_depth(self, feature_map):
        prob = self.depth_regressor(feature_map).softmax(dim=1)  # 分类概率
        depth = compute_depth_expectation(prob, self.depth_bins)  # 期望 = 连续深度
        return depth

为什么用分类而不是直接回归？

直接回归	分类 + 期望
对异常值敏感	概率分布天然抗噪
远距离深度梯度消失	Log 空间 bin 保证远近都有分辨率
输出是"硬值"	输出是"分布"，自带不确定性
训练不稳定	交叉熵损失更平滑

💡 直觉理解：模型不是直接说"这个像素深度是 5.23 米"，而是说"这个像素有 30% 概率在 4-5 米，50% 概率在 5-6 米，20% 概率在 6-7 米"，然后取加权平均。

---

2.7 表面法向预测 + 不确定性建模

法向头的设计非常精巧，同时输出法向向量 + 不确定性（kappa）：

# RAFTDepthNormalDPTDecoder5.py
def norm_normalize(norm_out):
    norm_x, norm_y, norm_z, kappa = torch.split(norm_out, 1, dim=1)
    norm = torch.sqrt(norm_x**2 + norm_y**2 + norm_z**2) + 1e-10
    kappa = F.elu(kappa) + 1.0 + 0.01  # 保证 kappa > 0.01
    return torch.cat([norm_x/norm, norm_y/norm, norm_z/norm, kappa], dim=1)

输出含义：

• (norm_x, norm_y, norm_z) → 归一化的表面法向（单位向量）

• kappa → 不确定性度量（类似 von Mises 分布的集中度参数）

🎯 kappa 越大 → 法向预测越可靠 🎯 kappa 越小 → 该区域预测不可靠（如天空、镜面反射）

---

2.8 不确定性引导的上采样

这是 RAFT 的经典设计，Metric3Dv2 沿用并改进：

# 用预测的 mask 做凸组合上采样
self.upsample_flow = ConvexUpsample(...)
# 或用传统插值
def upflow4(flow, mode='bilinear'):
    new_size = (4 * flow.shape[2], 4 * flow.shape[3])
    return F.interpolate(flow, size=new_size, mode=mode, align_corners=True)

Convex Upsample 的核心思想：

不是简单地双线性插值放大 4 倍，而是学习每个像素的 3×3 邻域权重，做加权组合。这样边缘会更锐利，薄结构不会糊掉。

---

2.9 训练数据构建：JSON 驱动 + 焦距归一化

从 generate_json.py 和 eigen_test.json 可以看到数据组织的精妙：

{
  "files": [
    {
      "rgb": "kitti_raw/.../0000000069.png",
      "depth": "kitti_depth/.../0000000069.png",
      "cam_in": [721.5377, 721.5377, 609.5593, 172.854]
    }
  ]
}

每条数据都包含：

• 📷 RGB 路径

• 📏 深度图路径（可选，无标注数据也能训练）

• 🎯 相机内参 [fx, fy, cx, cy]（关键！ 用于焦距归一化）

💡 cam_in 是 Metric3Dv2 的灵魂字段——没有它，模型就无法做 Label Scale Canonical Transformation，也就无法跨数据集泛化。

---

2.10 评测体系：全面且严谨

从 avg_meter.py 可以看到 Metric3Dv2 的评测指标非常完备：

深度指标

指标	含义
AbsRel	绝对相对误差：	pred – gt	/ gt
RMSE	均方根误差
SILog	Scale-Invariant Log 误差
δ1 / δ2 / δ3	阈值准确率（1.25 / 1.25² / 1.25³）

法向指标

指标	含义
Mean Error	平均角度误差（度）
RMSE	角度误差的 RMS
5° / 7.5° / 11.25° / 22.5° / 30°	角度准确率（预测法向与 GT 夹角小于阈值的占比）

# avg_meter.py（关键片段）
normal_error = torch.cosine_similarity(pred, target, dim=1)  # 余弦相似度
angle_error = torch.acos(normal_error) * 180.0 / torch.pi     # 转角度
a1_error = 100.0 * (torch.sum(angle_error < 5) / valid_pics)  # 5° 准确率

✅ 支持 GPU 计算 + 分布式 all-reduce，评测速度极快。

---

三、🚀 部署与工程实践建议

3.1 模型推理流程

从 do_test.py 可以提炼出完整的推理 pipeline：

# 推理核心流程（简化版）
def inference(model, rgb_image, intrinsic):
    # Step 1: 焦距归一化（Label Scale Canonical）
    canonical_focal = 1000.0
    scale_ratio = canonical_focal / intrinsic[0]
    canonical_intrinsic = [intrinsic[0]*scale_ratio, intrinsic[1]*scale_ratio, 
                           intrinsic[2], intrinsic[3]]
    
    # Step 2: 图像预处理（resize + padding + normalize）
    rgb, cam_model, pad, label_scale = transform_test_data(rgb_image, canonical_intrinsic, cfg)
    
    # Step 3: 模型推理
    pred_depth, confidence, output = model.inference({'input': rgb})
    
    # Step 4: 后处理（去 pad + 还原尺度 + 裁剪异常值）
    pred_depth = pred_depth[pad[0]:-pad[1], pad[2]:-pad[3]]
    pred_depth = pred_depth * normalize_scale / label_scale
    pred_depth = (pred_depth > 0) * (pred_depth < 300) * pred_depth
    
    return pred_depth

3.2 尺度对齐策略

当有 GT 深度时，Metric3Dv2 提供多种尺度对齐方式：

# do_test.py
def align_scale(pred, target):
    """简单尺度对齐：用中位数比值"""
    mask = target > 0
    scale = torch.median(target[mask]) / torch.median(pred[mask])
    return pred * scale, scale

def align_scale_shift(pred, target):
    """仿射对齐：用最小二乘拟合 scale + shift"""
    mask = target > 0
    scale, shift = np.polyfit(pred[mask].cpu().numpy(), target[mask].cpu().numpy(), deg=1)
    return pred * scale + shift, scale

对齐方式	适用场景	特点
Median	快速验证	只修正尺度，不修正偏移
Scale + Shift	精确评测	仿射变换，更准但需足够有效像素
无对齐	零样本推理	直接用模型输出的 metric 值

3.3 部署建议

🔹 GPU 服务器部署

配置	推荐方案	说明
高精度	ViT-giant2 + FP32	最大模型，精度最高
平衡	ViT-large + FP16	精度/速度最佳平衡
实时	ConvNeXt-base + FP16 + ONNX	边缘场景首选

🔹 ONNX 导出

# ONNX 导出（社区已支持）
model.eval()
model.onnx_compatible_mode = True
torch.onnx.export(
    model,
    (dummy_input, dummy_cam_model),
    "metric3dv2.onnx",
    opset_version=14,
    dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}
)

🔹 推理参数选型建议

场景	Backbone	分辨率	精度	预期速度 (A100)
离线重建	ViT-giant2	518×518	⭐⭐⭐⭐⭐	~50ms
在线服务	ViT-large	406×406	⭐⭐⭐⭐	~20ms
实时机器人	ConvNeXt-base	304×304	⭐⭐⭐	~8ms
边缘设备	ConvNeXt-tiny	256×256	⭐⭐⭐	~3ms (Jetson)

3.4 点云重建流程

从 unproj_pcd.py 可以看到完整的深度→点云流程：

def reconstruct_pcd(depth, fx, fy, u0, v0, mask=None):
    H, W = depth.shape
    # 构建像素坐标系下的射线方向
    x = (u - u0) / fx  # 水平方向
    y = (v - v0) / fy  # 垂直方向
    z = ones_like(x)     # 深度方向
    pcd_base = stack([x, y, z], axis=2)  # (H, W, 3)
    # 乘以深度值 → 3D 点云
    pcd = depth[:, :, None] * pcd_base
    if mask is not None:
        pcd[~mask] = 0  # 屏蔽无效区域
    return pcd

后处理建议（来自 pcd_filter.py）：

# 1. 降采样（千万级点云保护）
if len(pcd.points) > 10_000_000:
    pcd = pcd.uniform_down_sample(N // 10_000_000 + 1)

# 2. 半径离群点滤波
max_bound = pcd.get_max_bound()
ball_radius = np.linalg.norm(max_bound) / 750
pcd_filtered, _ = pcd.remove_radius_outlier(nb_points=8, radius=ball_radius)

---

四、🌐 应用领域与前景展望

4.1 当前可直接落地的场景

🚗 自动驾驶感知

• 单目深度作为 LiDAR 的补充/替代（低成本方案）

• 与 BEV 感知融合，提升远距离障碍物检测

• 雨雾天气下的深度补全

🤖 机器人导航与抓取

• 室内服务机器人：实时建图 + 避障

• 机械臂抓取：精确的深度 + 法向信息

• 无人机自主飞行：森林、城市峡谷等 GNSS 拒止环境

🎮 AIGC / 3D 内容生成

• 单图 → 3D 场景重建（Gaussian Splatting 初始化）

• 图像编辑中的深度引导（如 AI 换背景）

• 视频深度估计 → 3D 视频生成

🏗️ 工业测量与 AR

• 建筑扫描：手机拍一张照 → 快速获取尺寸

• AR 标注：在真实场景中叠加虚拟信息

• 文物数字化：博物馆藏品 3D 存档

🕶️ VR / MR 场景理解

• 实时空间感知（Apple Vision Pro / Meta Quest 3）

• 手势交互的深度引导

• 虚拟/真实遮挡关系处理

📷 计算摄影

• 人像模式背景虚化（Portrait Mode）

• 夜景增强：深度引导的多帧融合

• 超分辨率：深度引导的边缘保护

---

4.2 技术前景展望

方向	描述	难度
🎬 视频时序一致性	将 RAFT 的光流思想扩展为"时序深度"，保证视频帧间几何一致	⭐⭐⭐
🌐 全景/鱼眼支持	扩展相机模型，支持 360° 全景深度估计	⭐⭐
🔄 深度 ↔ 法向联合优化	利用深度和法向的几何约束互相修正	⭐⭐⭐
📊 稀疏控制点 + 稠密补全	结合 LiDAR 稀疏点云，输出稠密 metric 深度	⭐⭐
🧠 端侧 NPU 极致优化	INT8 量化 + 知识蒸馏，跑在手机/眼镜上	⭐⭐⭐⭐
🎨 与生成模型打通	Depth + Normal → Diffusion 引导 → 3D 内容生成	⭐⭐⭐⭐

---

五、📊 与其他算法对比一览

方法	Metric 深度	表面法向	零样本泛化	实时性	开源程度
MiDaS v3.1	❌	❌	✅	✅	完全开源
Depth Anything v2	❌	❌	✅✅	✅✅	完全开源
Marigold	❌	❌	✅	❌	完全开源
MoGe-2	✅	✅	✅	✅	完全开源
GeoWizard	✅	✅	✅	❌	完全开源
Metric3Dv2	✅✅	✅✅	✅✅	✅✅	完全开源

📌 Metric3Dv2 是目前唯一在深度 + 法向两个任务上都达到 SOTA 且支持零样本 metric 估计的开源方案。

---

六、📝 最佳实践建议

6.1 数据准备

建议	说明
✅ 尽量提供准确的内参	cam_in: [fx, fy, cx, cy] 越准，深度越准
✅ 无内参时用默认值	intrinsic = [1000, 1000, W/2, H/2] 可作为 fallback
✅ 图像质量 > 分辨率	清晰的图像比高分辨率模糊图像效果好
❌ 避免极端鱼眼	标准透视投影效果最佳

6.2 精度/速度权衡

策略	效果
降低输入分辨率	速度 ↑↑，远处精度 ↓
减少 RAFT 迭代次数	速度 ↑，薄结构精度 ↓
使用 ConvNeXt-tiny	速度 ↑↑↑，整体精度 ↓
FP16 推理	速度 ↑，精度几乎无损
ONNX + TensorRT	速度 ↑↑，需额外部署工作

6.3 常见坑与解决方案

问题	原因	解决方案
深度整体偏近	内参 fx 给大了	校准相机焦距
深度整体偏远	内参 fx 给小了	校准相机焦距
天空区域有值	模型无法区分天空	用 confidence map 过滤
薄结构断裂	分辨率不够	提高输入分辨率
镜面反射异常	物理限制	用 kappa 不确定性掩码

---

七、🎬 总结

Metric3Dv2 不是"又一个深度估计模型"，而是将单目几何估计推向"基础模型时代"的关键一步。

它的核心贡献可以浓缩为三句话：

1. 🎯 Label Scale Canonical Transformation —— 解决了跨数据集、跨焦距的尺度歧义问题，让"统一训练、零样本泛化"成为可能。

1. 🔗 DPT + RAFT 深度融合 —— 兼具 Transformer 的全局上下文理解力和 RAFT 的迭代精细化能力。

1. 📐 Depth + Normal 联合预测 —— 不只恢复"形状"，还恢复"表面朝向"，为下游 3D 任务提供完整几何信息。

---

📚 参考资料

资源	链接
📄 Metric3Dv1 论文	https://arxiv.org/abs/2307.10984
📄 Metric3Dv2 论文	https://arxiv.org/abs/2404.15506
🌐 项目主页	https://jugghm.github.io/Metric3Dv2
🤗 HuggingFace Demo	https://huggingface.co/spaces/JUGGHM/Metric3D
💻 GitHub 仓库	https://github.com/JUGGHM/Metric3D
📄 GeoWizard（姊妹篇）	https://arxiv.org/abs/2403.12013

---

"Geometry is the foundation of perception. Metric3Dv2 makes it accessible from a single glance." ✍️ 本文档基于 Metric3Dv2 开源代码分析撰写，旨在帮助读者快速理解其技术原理与应用价值。