当人工智能系统试图判断眼前物体的距离时，一个看似简单的问题却暴露出技术瓶颈：如果面前是一扇玻璃门，它究竟应该报告玻璃本身的距离，还是透过玻璃看到的室内桌椅的距离？密歇根大学安娜堡分校等机构联合研究发现，当前主流的单目深度估计模型在面对透明材质时，普遍存在无法同时处理多层表面信息的结构性缺陷。
研究团队指出，现有模型设计要求每个像素只能输出单一深度值，这种机制在处理不透明物体时效果良好，但遇到玻璃、镜面等材质时，同一条光线可能穿透多个物理层面。模型被迫在多个有效表面中选择其一，形成隐性的"深度层偏好"。这种偏好并非基于场景几何的真实判断，而是训练数据中不同传感器标注方式混合导致的习惯性选择。
为破解这一难题，研究团队构建了包含3161张真实场景图像的MultiDepth-3k基准测试集。该数据集采用创新的稀疏序数标注方法：在透明区域内选取点对，分别标注其在近层（玻璃）和远层（背景）的相对距离关系。这种设计巧妙规避了绝对深度测量的争议，转而通过比较预测结果与两层几何逻辑的吻合度来量化模型偏好。数据集分为同向子集（两层顺序一致）和反向子集（两层顺序相反），其中反向子集成为暴露层偏好的关键测试场。
实验评估显示，13个主流模型在透明场景下表现出显著差异。Depth Anything v2系列中，通用版本和室内调优版倾向于报告近层，而室外调优版则偏好远层；DAv1系列全部强烈偏向背景层，在反向子集上对近层预测准确率不足6%；Depth Pro则成为少数偏好近层的异类。这种分化印证了训练数据构成对模型行为的决定性影响——室外场景数据中透明物体较少，模型更易捕捉背景层信号；室内数据则可能强化近表面特征。
研究团队意外发现，通过简单的拉普拉斯算子变换输入图像，可在不调整模型参数的情况下改变其层选择倾向。这种被称为拉普拉斯视觉提示（LVP）的方法，通过增强图像高频细节（如边缘和纹理），使某些模型架构的内部激活模式发生显著变化。实验表明，DAv2-L模型在反向子集上的层偏好通过LVP输入发生近99个百分点的翻转，与原始RGB输入形成的深度图组合后，多层空间关系准确率突破56.4%的理论天花板，达到75.5%。
对比实验揭示了LVP有效性的关键因素。高频增强操作（如拉普拉斯变换）在两层顺序矛盾时触发层切换，而低频保留操作（如高斯平滑）在顺序一致时表现更佳。其他高频算子（如Sobel边缘检测）虽能产生类似效果，但LVP凭借其无参数实现的简洁性成为最优选择。值得注意的是，LVP对曲面玻璃等规则透明物体效果显著，但对有纹理的半透明表面则效果有限，且无法修正模型对单层的原始预测误差。
模型规模实验带来新的认知：随着DAv2从Small到Large版本扩展，LVP触发的层切换效果反而增强，反向子集上的多层准确率从67.2%提升至75.5%。这表明更大规模的模型并未获得处理歧义场景的通用能力，而是更彻底地表达了从训练数据中习得的层偏好习惯。不过在普通无歧义场景中，规模扩大使模型对输入扰动的抵抗力增强，LVP导致的性能下降幅度缩小。
该研究不仅为透明场景深度估计提供了新的评估框架，更揭示了现有模型在处理多层可见表面时的根本性局限。当真实世界中玻璃幕墙、透明包装等材质广泛存在时，强制将每个像素映射到单一深度值的做法，本质上是对物理现实的简化处理。未来深度感知系统或许需要发展出保留几何歧义的能力，而非将其视为需要消除的噪声。
