[2026] DVD：打破生成幻觉，单次前向解锁视频深度估计的“确定性”

TL;DR

长期以来，视频深度估计一直受困于生成模型的“随机幻觉”与判别模型的“数据饥渴”。本文提出的 DVD 框架首次实现了对预训练视频扩散模型（如 Wan2.1）的确定性适配。通过将扩散过程转化为单次回归，DVD 在使用不到 1% 标注数据的前提下，实现了超越所有 SOTA 方法的零样本泛化能力和长视频几何一致性。

核心痛点：幻觉与歧义的博弈

在视频深度估计坐标系中，开发者以往只能二选一：

1. 生成式 (Generative) 范式：如 DepthCrafter。优点是先验强，能处理纹理缺失；缺点是每次采样结果不同，导致几何结构在时间轴上疯狂抖动（幻觉）。
2. 判别式 (Discriminative) 范式：如 Video Depth Anything。优点是输出稳定；缺点是遇到运动模糊就“装瞎”，且需要动辄数千万帧的昂贵真值数据进行训练。

DVD 的核心 Insight 是： 视频基础模型（Video Foundation Models）本身就是一个强大的“世界模拟器”，它已经理解了物理世界的几何演变。我们不需要让它反复采样生成，而是应该将其“固定”下来，作为一个确定性的特征提取器。

技术拆解：如何实现“稳、准、狠”？

1. 步长作为结构锚点 (Timestep as Structural Anchor)

在扩散模型中，时间步 $t$ 通常代表噪声水平。DVD 发现，$t$ 实际上充当了频率滤波器：

• 大 $t$：关注全局低频结构，输出稳定但模糊。
• 小 $t$：关注局部高频细节，输出锐利但易崩溃。 DVD 通过将 $t$ 固定在 0.5 左右（见下图），找到了全局稳定性与细节表现力的最优平衡点。

2. 潜空间流形修正 (LMR) —— 告别“均值模糊”

确定性回归（L2 Loss）有一个通病：在不确定的区域，模型倾向于预测所有可能性的平均值，导致边缘变秃（Mean Collapse）。 DVD 引入了 LMR (Latent Manifold Rectification)，在 VAE 的潜空间中显式施加一阶微分约束：

• 空间维度：强制对齐深度梯度，保留锐利边界。
• 时间维度：强制对齐帧间流量，消除频闪。

3. 全局仿射相干性：长视频的“粘合剂”

由于 GPU 显存限制，处理超长视频必须依赖滑动窗口。生成模型每一窗的尺度（Scale）和偏移（Shift）都在随机漂移。 DVD 发现了一个惊人的特性：确定性适配后的 VAE 解码器误差几乎是线性的。 因此，DVD 采用了一种极简的“最小二乘法”对齐策略：只需计算重叠区域的仿射变换（Affine Alignment），就能将数千帧的视频完美缝合，无需复杂的特征匹配。

实验战绩

DVD 的表现可以用“四两拨千斤”来形容：

• 数据效率：仅用 367K 帧合成数据（VDA 的 1/163），便在真实场景中刷新了 SOTA。
• 几何保真度：在边缘召回率 (B-Recall) 上远超同类模型。
• 单图能力：通过图像-视频联合训练 (Joint Training)，DVD 甚至在静态图深度估计上也极具竞争力。

深度总结

DVD 的出现标志着视频深度估计从“生成博弈”转向了“先验挖掘”。它证明了通过合理的数学约束（维度修正）和工程预设（结构锚点），庞大的视频生成模型完全可以变身为精准的物理测量工具。

局限性预测：虽然单次前向极大提升了速度，但目前仍依赖这类如 Wan2.1 级的重型 DiT 骨架，未来通过轻量化蒸馏（Distillation）将其部署到端侧将是下一个争夺的高地。