摘要

我们提出了一种简单、高效且强大的密集视觉预测框架，该框架基于条件扩散（conditional diffusion）流程。我们的方法遵循“噪声到地图”（noise-to-map）的生成范式，通过逐步从随机高斯分布中去除噪声来实现预测，整个过程由输入图像引导。该方法被称为DDP（Denoising Diffusion Pipeline），能够高效地将去噪扩散过程融入现代感知流水线。无需针对特定任务进行专门设计或架构定制，DDP可轻松泛化至大多数密集预测任务，例如语义分割与深度估计。此外，与以往单步判别式方法相比，DDP展现出动态推理和不确定性感知等优异特性。在三个代表性任务上，我们基于六个不同基准进行了评估，未使用任何技巧性优化，DDP在各项任务中均取得了当前最优或具有竞争力的性能表现。例如，在Cityscapes数据集上实现83.9%的mIoU（语义分割），在nuScenes数据集上实现70.6%的mIoU（BEV地图分割），在KITTI数据集上实现0.05的REL误差（深度估计）。我们期望本方法能成为未来研究的坚实基线，推动相关领域的进一步发展。