第 27 / 30 课。 前置：上一课。本篇的运行范围以实验说明和验证记录为准，构造样例不代表真实任务精度或板端性能。
灰度深度图不能直接当作米
模型输出可能是深度、逆深度或仅可比较远近的相对量。颜色条上看起来远近合理，不表示数值已经标定。单目模型的尺度约定要从训练与模型说明确认；立体几何在完成标定后可使用 Z=fB/d，其中焦距以像素计、基线以米计、视差以像素计。
本课构造一个与逆深度呈仿射关系的输出，用已知参考距离拟合比例与偏移，再计算距离。这个拟合只对构造关系成立，不能据此保证实际单目网络经过两点标定就能准确测距。接近零的逆深度会放大误差，应拒绝无效范围。
图像恢复优化的目标不同
去噪、去模糊和超分辨率输出图像，不直接输出类别。更锐利不一定更真实，生成的细节也可能不适合测量或取证。恢复前后检测效果应独立验证，不能只凭主观观感判断。
本课用构造平滑图加噪，再以高斯滤波作传统基线。已知干净图使我们能计算 MSE 和 PSNR，数据范围固定为 0～1。不同值域、裁剪方式与颜色空间下的 PSNR 不应直接横比。
运行与练习
脚本分别运行逆深度标定和去噪对照，没有使用深度网络或超分模型。把干净图换为细密条纹，观察平滑滤波在去噪同时丢掉纹理。把一个参考距离标错，观察拟合结果。
若项目需要距离，下一专题应是相机标定、畸变、立体几何与误差传播；若需要图像增强，则继续学习恢复网络、数据合成、评价与分块推理。两者在本课并列作为入口，不意味着它们使用相同的模型或评价指标。
配套实验与运行记录
实验：深度估计与图像恢复：两个专题入口
查看完整代码：main.py
"""区分相对深度与米制距离，并通过去噪对照理解参考图、PSNR 和细节损失。"""
import cv2, numpy as np
def psnr(a, b):
mse = float(np.mean((a - b) ** 2))
return float("inf") if mse == 0 else 10 * np.log10(1 / mse)
def main():
metric = np.array([1.0, 2.0, 4.0, 8.0])
raw = 2 / metric + 0.3
scale, offset = np.linalg.lstsq(
np.c_[raw, np.ones_like(raw)], 1 / metric, rcond=None
)[0]
restored = 1 / (scale * raw + offset)
np.testing.assert_allclose(restored, metric)
rng = np.random.default_rng(7)
clean = np.tile(np.linspace(0.2, 0.8, 64), (64, 1)).astype(np.float32)
noisy = np.clip(clean + rng.normal(0, 0.05, clean.shape), 0, 1).astype(np.float32)
denoised = cv2.GaussianBlur(noisy, (3, 3), 0.8)
before, after = psnr(clean, noisy), psnr(clean, denoised)
assert after > before
print(
"constructed inverse-depth scale/offset",
scale,
offset,
"distance",
restored.tolist(),
)
print("smooth synthetic image PSNR before/after", before, after)
if __name__ == "__main__":
main()
在项目根目录执行；下载包解压后，在解压目录执行 python3 main.py。
cd 'content/posts/AI-深度学习/嵌入式视觉模型进阶/27-深度估计与图像恢复/code' && python3 main.py在本篇代码目录执行 python3 main.py。依赖安装、可选入口见包内 README.md；实际运行结果见 verification.md。下载包包含本课使用的辅助模块与样例。
参考与进一步阅读
原始论文或官方文档用于核对结构、接口和适用范围。本篇代码是围绕教学目标编写的最小实验；除明确注明的完整入口外，不视为对应论文模型的完整复现。