Iris-Z 把深度并入图像生成:同一套权重在 Marigold 基准上平均 AbsRel 2.92,低于 MoGe-3 的 3.12
Iris-Z 是一个通用图像生成器,把图像与深度编码进同一条 token 序列一起去噪,用一套权重同时完成生成图像、从照片估计深度和按给定深度画图。此前单目几何精度由 MoGe-3 这类专用 ViT 保持领先,把生成器改造成深度估计器的 Marigold 系列也落后于它。Iris-Z-big 在 Marigold 的基准集上平均 AbsRel 为 2.92,低于 MoGe-3 的 3.12,同时保留原有生成能力;代价是每张图约 15 秒,而 MoGe-3 约 0.41 秒。