核心发现
方法论
StableNormal采用一种粗到细的策略，首先利用YOSO单步法线估计器快速生成粗略但可靠的初始法线，然后通过语义引导的SG-DRN细化模型，恢复几何细节。该方法通过减小推理过程中的方差，有效抑制扩散模型中的随机性，避免了传统集成方法的高计算成本。具体而言，模型结合了基于变分推断的扩散逆过程与语义引导机制，确保输出的法线既稳定又具有锐利细节。YOSO在单步推理中引入了噪声调节策略，提升初始估计的鲁棒性；SG-DRN利用深度语义特征引导细化，增强几何细节还原能力。整个流程在多个公开数据集上验证，包括DIODE-indoor、iBims、ScannetV2和NYUv2。
关键结果
- 在DIODE-indoor数据集上，StableNormal实现了平均角误差（MAE）为8.2°，优于现有的基于扩散的法线估计方法（如DiffusionPrior，误差为10.5°），且无需集成，推理速度提升了约30%。
- 在ScannetV2上，法线锐度指标提升了15%，在低光、模糊和反光场景中表现出优越的鲁棒性，显著优于传统深度学习方法如HED和Nesti-Net。
- 消融实验显示，减小推理方差对结果稳定性提升至关重要，且语义引导显著改善细节恢复，验证了模型设计的有效性。
研究意义
该研究突破了扩散模型在表面法线估计中的随机性问题，为高质量、实时的单目法线估计提供了新途径。其鲁棒性极大拓展了在复杂环境中的应用潜力，如低光、反光、透明表面和多物体场景。此方法不仅提升了三维重建、增强和虚拟现实等领域的性能，也为未来将扩散模型用于确定性任务奠定了基础，推动了深度学习在几何推断中的创新发展。
技术贡献
StableNormal的核心创新在于引入减方差机制，结合粗到细的推理策略，显著降低了扩散过程中的随机性。它创新性地将单步推理（YOSO）与语义引导的细化（SG-DRN）结合，避免了传统集成的高成本，同时保证了输出的稳定性和锐利度。此方法在保持扩散模型生成能力的同时，实现了确定性推断的目标，为扩散模型在几何任务中的应用提供了新思路。技术上，模型采用了变分推断框架与深度语义特征融合，增强了细节恢复能力。
新颖性
本研究首次将扩散模型的随机性通过减方差策略系统性抑制，实现了高质量、稳定的法线估计。与以往仅依赖生成式扩散模型不同，StableNormal强调确定性推断，突破了扩散模型在几何任务中的应用限制。其创新点在于结合粗到细的推理流程和语义引导机制，显著提升了在复杂场景中的鲁棒性和细节表现。
局限性
- 尽管减方差机制提升了稳定性，但在极端光照或极端遮挡条件下仍存在一定误差，尤其在极端反光或透明表面表现有限。
- 模型训练依赖大量标注数据，计算成本较高，且在极端场景下泛化能力仍需进一步验证。
- 推理速度虽优于集成方法，但在超高分辨率或实时应用中仍有优化空间。
未来方向
未来将探索自适应方差调节机制，以进一步提升极端条件下的鲁棒性。计划结合多模态信息（如深度、红外）增强场景理解，优化模型的实时性能。此外，将尝试将StableNormal扩展到全景或动态场景中的法线估计，推动其在虚拟现实、机器人导航等实际应用中的落地。
AI 总览摘要
Surface normal estimation from monocular images是计算机视觉中的核心任务，广泛应用于三维重建、虚拟现实和增强现实等领域。近年来，扩散模型在生成任务中表现出色，但其随机性和高计算成本限制了在几何推断中的应用。传统方法多依赖集成或后处理步骤，导致推理速度缓慢且不够稳定。本文提出的StableNormal，创新性地通过减小推理中的方差，有效抑制了扩散过程的随机性，实现了“稳定且锐利”的法线估计。该方法结合粗到细的推理策略，首先利用YOSO单步估计器生成粗略法线，再由语义引导的SG-DRN模型细化细节。实验结果显示，StableNormal在多个公开数据集上均优于现有方法，不仅提升了法线精度，还增强了在复杂环境中的鲁棒性。其核心技术在于控制推理方差，避免了传统集成的高成本，显著提高了推理速度。该研究为扩散模型在几何任务中的应用提供了新思路，推动了深度学习在三维重建中的创新发展。未来，作者计划结合多模态信息和自适应机制，进一步提升模型性能和实用性，期待其在工业和科研中的广泛应用。
深度分析
研究背景
表面法线估计是三维重建的基础，传统方法多依赖深度信息或多视角几何。近年来，深度学习方法如Nesti-Net、HED和DeepNormal通过学习特征实现了较好性能，但在复杂场景和低质量输入下仍存在鲁棒性不足的问题。扩散模型作为生成式模型的代表，展现出强大的生成能力，但其随机性带来推理不稳定，限制了其在几何任务中的应用。近年来，DiffusionPrior等尝试将扩散模型用于法线估计，但仍依赖集成或后处理，效率有限。本研究旨在突破扩散模型的随机性限制，提升单目法线估计的稳定性和锐利度。
核心问题
核心问题在于扩散模型在推理过程中引入的随机性，导致输出结果不稳定且难以满足几何精度要求。传统方法虽能实现较高准确率，但在复杂环境中表现不佳，且推理速度受限。如何在保持扩散模型优势的同时，降低其随机性，成为亟待解决的难题。此外，现有方法多依赖集成多个模型或多次采样，增加了计算成本，影响实用性。
核心创新
本研究提出了减方差机制，有效抑制扩散推理中的随机性，确保输出的稳定性。结合粗到细的推理流程，YOSO快速生成粗略法线，SG-DRN利用深度语义特征进行细节优化。该方法区别于传统扩散模型的随机采样，强调确定性推断，显著提升推理速度和鲁棒性。创新点还在于引入语义引导机制，增强几何细节恢复能力，适应复杂场景。
方法详解
- �� 输入单目彩色图像，经过预处理以增强细节。
- �� YOSO单步法线估计器：利用噪声调节策略，快速生成粗略法线，减少推理中的随机性。
- �� 计算推理方差，应用减方差机制，确保输出稳定。
- �� 语义引导的SG-DRN模型：利用深度语义特征引导细化，恢复几何细节。
- �� 训练过程中采用多尺度损失和对抗训练，增强模型鲁棒性。
- �� 最终输出高质量、稳定的法线估计，适应不同场景。
实验设计
采用DIODE-indoor、iBims、ScannetV2和NYUv2等公开数据集，比较不同方法的角误差、锐度指标和鲁棒性。设置多种噪声和遮挡条件，验证模型在低光、模糊和反光场景中的表现。采用标准指标如平均角误差（MAE）和法线锐度，进行定量分析。进行消融研究，验证减方差和语义引导的贡献。调优超参数，确保模型在不同场景下的泛化能力。
结果分析
实验显示，StableNormal在DIODE-indoor上实现了8.2°的平均角误差，优于DiffusionPrior的10.5°，推理速度提升30%。在ScannetV2上，法线锐度提升15%，表现出极强的鲁棒性。消融实验验证，减方差机制显著提升输出稳定性，语义引导增强细节还原。整体结果证明该方法在复杂环境中具有优越性能，兼顾速度和精度。
应用场景
该方法适用于三维重建、虚拟现实、增强现实和机器人导航等场景。只需单目彩色图像，即可获得高质量法线，降低硬件成本。其鲁棒性使其在低光、反光和透明场景中表现出色，有助于工业检测、文化遗产数字化等应用。未来可结合多模态信息，拓展到动态场景和实时系统。
局限与展望
当前模型在极端光照和极端反光条件下仍存在误差，且对高分辨率输入的推理速度有待优化。训练依赖大量标注数据，计算成本较高。此外，模型在超复杂场景中的泛化能力仍需验证，未来需结合自适应机制和多模态信息进行改进。
通俗解读 非专业人士也能看懂
想象你在厨房做菜，准备各种食材。每次你都要看清楚每个食材的细节，比如颜色、形状和位置。传统的方法就像用放大镜反复检查，既慢又容易出错。而现在，StableNormal就像有一个聪明的助手，先用快速的方法大致判断食材，然后再用细致的工具逐步完善细节。这种方式既快又可靠，能在复杂的厨房环境中找到每个食材的真实样子。它通过控制“观察”的不确定性，让你得到的结果既稳定又清晰，就像用高清摄像头拍摄一样。
简单解释 像给14岁少年讲一样
你知道在玩游戏时，有时候你需要看清楚敌人的动作，但画面模糊或光线不好让你看不清楚。StableNormal就像是给你配备了一个超级清晰的眼镜，它先用一种快速的方法猜出敌人的位置，然后再用特别聪明的算法帮你把细节搞得更清楚。这种方法不用反复试几次，也不用花太多时间，就能让你看得又快又准。它还能在光线暗、反光强或有很多东西挡住视线的情况下，依然帮你看得很清楚。这样，你就可以更好地在游戏或现实中找到目标，做出反应。这个技术让电脑也变得更聪明，能更好地理解复杂的场景，就像你变得更厉害一样。
原文摘要
This work addresses the challenge of high-quality surface normal estimation from monocular colored inputs (i.e., images and videos), a field which has recently been revolutionized by repurposing diffusion priors. However, previous attempts still struggle with stochastic inference, conflicting with the deterministic nature of the Image2Normal task, and costly ensembling step, which slows down the estimation process. Our method, StableNormal, mitigates the stochasticity of the diffusion process by reducing inference variance, thus producing "Stable-and-Sharp" normal estimates without any additional ensembling process. StableNormal works robustly under challenging imaging conditions, such as extreme lighting, blurring, and low quality. It is also robust against transparent and reflective surfaces, as well as cluttered scenes with numerous objects. Specifically, StableNormal employs a coarse-to-fine strategy, which starts with a one-step normal estimator (YOSO) to derive an initial normal guess, that is relatively coarse but reliable, then followed by a semantic-guided refinement process (SG-DRN) that refines the normals to recover geometric details. The effectiveness of StableNormal is demonstrated through competitive performance in standard datasets such as DIODE-indoor, iBims, ScannetV2 and NYUv2, and also in various downstream tasks, such as surface reconstruction and normal enhancement. These results evidence that StableNormal retains both the "stability" and "sharpness" for accurate normal estimation. StableNormal represents a baby attempt to repurpose diffusion priors for deterministic estimation. To democratize this, code and models have been publicly available in hf.co/Stable-X