UA-Depth：面向材质无关物体操作的不确定性感知深度修复

UA-Depth 是一个不确定性感知的深度修复框架，通过迭代联合优化深度与像素级不确定性，并用不确定性门控特征抑制不可靠线索。该方法以冻结的深度基础模型作为先验初始化缺失或不可靠深度，并采用两阶段 MAD 加权对数深度尺度归一化，降低相对深度到度量深度对齐中的离群偏差。作者构建了覆盖多场景、多材质、多传感器的八数据集零样本基准，UA-Depth 在代表性基线中取得最佳平均排名，在透明与反光物体为主的数据集上提升尤为明显。论文还利用预测的不确定性，在类别级 6D 位姿估计和 6D 抓取合成上展示了下游改进。代码、模型及训练评估数据将在论文发表后发布，当前为审稿中的预印本。