One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models

Xiaohao Xu, Feng Xue, Xiang Li, Haowei Li, Shusheng Yang, Tianyi Zhang, Matthew Johnson-Roberson, Xiaonan Huang

arXiv:2606.29600 · 2026-06-30 공개 · arXiv · PDF

monocular-depth multi-depth depth-foundation-models laplacian-visual-prompting depth-layer-preference geometric-ambiguity md-3k spatial-relationship-accuracy

Abstract

A faithful 3D world representation should account for layered geometry, where a single camera ray may contain multiple visible and geometrically valid surfaces. Monocular depth estimation, however, reduces this structure to one scalar depth per pixel. Transparent scenes make this ambiguity measurable: the same ray can pass through foreground glass and observe the background, turning the supervised target into a convention of annotation, data, and training rather than a scene-intrinsic truth. A learned predictor exposes this convention as its depth-layer preference. We introduce MultiDepth-3k (MD-3k), a sparse two-layer ordinal benchmark for measuring depth-layer preference and multi-layer spatial relationship accuracy (ML-SRA). On MD-3k, leading depth foundation models exhibit diverse layer preferences under standard RGB input, showing that the same layered geometry can be resolved differently across models. We further find that Laplacian Visual Prompting (LVP), a training-free spectral input transformation, can substantially change the reported layer for certain frozen models. The strongest RGB/LVP pair, DAv2-L, reaches 75.5% ML-SRA. These results suggest that depth foundation models may express complementary geometric hypotheses that standard RGB inference leaves unexpressed. We invite the community to rethink depth supervision and evaluation through an ambiguity-aware lens, where multiple valid 3D interpretations are treated as geometric structure to be measured, preserved, and expressed.

한국어 요약

한 줄 요약

단일 카메라 레이에 여러 유효한 깊이가 존재하는 모호한 3D 구조를 분석하기 위한 새로운 평가 기준과 입력 변형 기법이 제안되었다.

핵심 기여도

핵심 아이디어

기존 단일 카메라 레이에 단일 깊이를 할당하는 방식은 투명 장면에서 모호성을 발생시킨다. 예를 들어, 앞쪽 유리와 뒤쪽 배경 모두 유효한 깊이를 가질 수 있지만, 기존 모델은 하나의 레이어만 선택한다. 이는 데이터셋, 어노테이션, 훈련 과정에서 형성된 '레이어 컨벤션'으로, 모델이 학습하는 것이 아니라 선호하는 레이어를 반영한다. 이를 측정하기 위해 MD-3k라는 이중 레이블 평가 기준을 제시하며, LVP라는 훈련 없이도 입력 변형을 통해 모델의 레이어 선호도를 조절할 수 있음을 보인다. 이는 단일 출력 모델이 입력 변화에 따라 다른 유효한 3D 해석을 표현할 수 있음을 시사한다.

기술적 접근법

주요 결과

의의 및 한계

실용적 활용

투명 장면 처리가 필요한 자율주행, AR/VR, 로봇 비전 분야에서 모델이 여러 유효한 깊이 해석을 표현할 수 있도록 평가 및 설계에 활용 가능. 또한, LVP는 훈련 없이도 입력 변형을 통해 모델 성능을 조절하는 실용적 도구로 활용될 수 있다.