1. 深度估计概述：什么是深度估计
大家好，我是这门课的主讲人。在计算机视觉领域摸爬滚打了十几年，我见过不少技术从实验室走向量产，但深度估计这门技术，说实话，是我见过「落地最猛」的方向之一。
先问个问题：你拍一张照片，能看出画面里哪个物体离你近、哪个离你远吗？人眼当然可以，但让计算机做到这一点，就是深度估计要解决的核心问题。
深度估计，说白了就是让算法给图像里的每个像素算出一个「距离值」。这个值通常以米为单位，代表物体到相机平面的物理距离。你想想看，一张 2D 照片，硬生生被赋予了 3D 的深度信息，这就是它的魔力所在。
核心定义：深度估计 = 从单张或多张图像中，恢复场景中每个像素的深度值（Z值）。
1.1 为什么这门技术突然火了？
我记得 2015 年左右，大家还在用传统立体匹配算法做深度估计，效果嘛……勉强能用。但自从深度学习杀进来，尤其是 Monodepth、MiDaS 这些模型出现后，整个领域就像开了挂。
为什么会这样？因为深度估计是很多高级视觉任务的「地基」：
- 自动驾驶：没有深度，你拿什么判断前车距离？
- AR/VR：虚拟物体要「贴」在真实场景上，深度信息是刚需。
- 机器人：抓取、避障、导航，哪样离得开深度？
嗯，这里要注意：深度估计不是「测距仪」的替代品，而是让普通摄像头拥有 3D 感知能力的一种低成本方案。
1.2 深度估计的应用场景
自动驾驶：最刚需的场景
我在做自动驾驶项目时，最头疼的就是「前车距离」这个指标。激光雷达当然准，但贵啊！一台 64 线激光雷达十几万，而摄像头才几百块。所以业界的主流方案是：用深度估计做视觉测距，激光雷达做验证和兜底。
具体来说，自动驾驶中深度估计的典型应用：
- 障碍物距离检测：行人、车辆、路障的距离实时估算
- 可行驶区域分割：结合深度信息判断路面边界
- SLAM 建图：视觉里程计需要深度来恢复 3D 点云
避坑指南：我曾经在高速场景踩过一个坑——单目深度估计对「远处物体」的精度极差。100 米外的车，误差可能达到 10 米以上。所以量产方案通常只信任 50 米以内的深度输出。
AR/VR：沉浸感的灵魂
你玩过 AR 游戏吗？虚拟小动物站在桌子上，如果你移动手机，它应该「固定」在那个位置。这背后就是深度估计在支撑。没有深度信息，虚拟物体就像「贴纸」一样飘在画面上，毫无沉浸感。
我个人习惯把 AR 中的深度估计分为两类：
- 环境深度：重建整个房间的 3D 结构，用于放置虚拟物体
- 手部深度：精确估计手指到相机的距离，实现手势交互
机器人：从「看见」到「行动」
机器人抓取一个杯子，光知道「这是个杯子」不够，还得知道「杯子在哪个位置、离我多远」。深度估计就是连接视觉和控制的桥梁。
我参与过一个仓储机器人项目，最初用结构光传感器做深度，但阳光一强就失效。后来换成双目深度估计 + 单目补盲的方案，才真正解决了户外作业的问题。
1.3 课程大纲与学习路径
这门课一共 30 章，我把它设计成了「从原理到工程」的完整闭环。你不需要是数学天才，但最好有 Python 基础和一点深度学习常识。
下面这张图是我亲手画的课程知识体系，你可以先有个整体印象：
学习路径建议
我建议你按这个节奏来：
| 阶段 | 章节 | 学习目标 | 预计时间 |
|---|---|---|---|
| 基础入门 | 1-5 | 理解深度估计的基本概念，能跑通一个简单的深度估计模型 | 1-2 周 |
| 算法进阶 | 6-15 | 掌握单目/双目/多视图的核心算法，能复现经典论文 | 3-4 周 |
| 工程实战 | 16-23 | 学会模型部署、量化、加速，能在嵌入式设备上跑深度模型 | 2-3 周 |
| 项目落地 | 24-30 | 独立完成一个深度估计项目，具备面试和工程交付能力 | 2-3 周 |
重要提醒：别想着「看完所有理论再动手」。我见过太多人卡在第 3 章就放弃了。正确的做法是：每学完一章，立刻跑代码、调参数、看效果。哪怕效果很烂，也比只看不动强十倍。
你需要准备什么？
- 硬件：一台带 GPU 的电脑（RTX 3060 以上就够用）
- 软件：Python 3.8+、PyTorch 1.10+、OpenCV
- 基础：懂 CNN、会调参、能看懂论文里的公式
嗯，如果你现在连 PyTorch 都没装好，别慌。第 2 章我会手把手带你搭环境，顺便讲清楚相机模型——这是深度估计的「第一块砖」。
好了，第一章就聊到这儿。记住一句话：深度估计不是玄学，是数学 + 工程 + 经验的结合。后面每一章我都会把这三样东西揉碎了喂给你。
本章核心要点：
- 深度估计 = 给每个像素算距离
- 三大应用场景：自动驾驶、AR/VR、机器人
- 学习路径：基础 → 算法 → 工程 → 落地
- 动手比看理论重要 10 倍
公众号:蓝海资料掘金营，微信deep3321