水下机器人在复杂环境中导航和建模，需解决深度感知难题。研究人员提出StereoAdapter框架，结合单目和双目视觉，利用自监督学习，在无水下真实深度标签下，高效适配视觉基础模型，实现高精度深度估计，显著提升水下机器人导航和目标检测能力。

水下环境中的深度感知对水下机器人自主导航、目标检测和三维重建等任务至关重要。

相比单目方法，双目视觉可以通过双目相机直接获得具有度量尺度的3D深度，避免了单目深度固有的尺度不确定性。

然而，将现有视觉算法直接应用于水下场景会遇到显著挑战。

水下成像因光学特性差异引入严重的域偏移：水对不同波长光的吸收导致颜色和亮度随距离衰减，水体中的悬浮颗粒会产生前向/后向散射，摄像机与水的界面产生复杂折射。

这些因素违背了陆地视觉中常用的光度一致性假设，使得在水下获得可靠的双目匹配变得更加困难。

在此背景下，目前的方法面临两大挑战：

• 如何参数高效地将庞大的视觉基础模型（如在海量陆地数据上训练的单目深度编码器）适配到水下域，而不依赖大量有标注的水下数据；

• 如何将全局一致但存在尺度模糊的单目深度先验与局部精确但光度敏感的双目匹配约束紧密融合，在自监督条件下充分发挥双方优势。

此前一些研究尝试从不同角度结合单目和双目信息，例如TiO-Depth提出了「二合一」的单目-双目联合框架，Stereo Anywhere利用视觉基础模型提供的单目先验来增强双目匹配，实现了在低纹理或反光场景下的零样本泛化能力。

但在水下场景，剧烈的域差异依然使这些方法效果受限。

针对上述难题，北京大学等机构的研究人员提出了全新的StereoAdapter框架，以自监督学习为基础，在不需要水下真实深度标签的情况下，将强大的单目深度基础模型与双目几何有机结合。