MoGe 输出结果详解：一张照片跑一次，5 类几何信息怎么读、能干什么【免费下载链接】MoGe[CVPR'25 Oral] MoGe: Unlocking Accurate Monocular Geometry Estimation for Open-Domain Images with Optimal Training Supervision项目地址: https://gitcode.com/GitHub_Trending/mo/MoGe拍一张普通照片，几秒钟后你能拿到这张图的点云、深度图和法线图——这就是 MoGe 这个单目几何估计模型（CVPR'25 Oral）做的事情：从单张开放域图像里恢复出精确的 3D 几何信息。很多新手第一次跑完moge infer，面对输出目录里那一堆exr、png、glb文件会一脸懵。这篇文章就把 MoGe 的输出结果完整拆开讲：每个文件代表什么、坐标系是什么、落盘成什么格式、以及你能拿它们去干哪些事。🧺 总览：一次前向传播，你能拿到什么？MoGe 模型在一次前向传播中并不是只吐出一个结果，而是一组与输入图像等大的「地图」(map)，外加相机参数。把清单先摆出来，后面逐个拆：输出形状一句话解释点图 points(H, W, 3)每个像素对应的 3D 空间坐标深度图 depth(H, W)每个像素到相机的距离法线图 normal(H, W, 3)每个像素的表面朝向（MoGe-2 的 normal 模型才有）掩码 mask(H, W)二值标记，哪些像素是有效的相机内参 intrinsics(3, 3)归一化的相机内参矩阵图：MoGe 从单张图像到各类几何输出的整体流程（单目几何估计管线概览）先抓住一个关键概念：所谓「图」，其实是一整张数值矩阵，尺寸和输入照片一模一样。照片里有多少个像素，这些地图里就有多少个对应的数值点。理解了这一点，后面所有输出都好读。📐 空间与距离：点云和深度图，本质是一回事点图和深度图看起来是两种东西，但本质是同一份「空间位置」信息的两种表达：深度图只回答一个问题：这个像素离相机多远。它是单通道数值，MoGe-2 下单位就是米，可以直接用来做距离测量。点图把深度再结合相机参数反投影回去，给每个像素算出完整的 (x, y, z) 三维坐标。你可以把它理解成「逐像素的点云」——把有效像素的三维坐标全捞出来，就是一张标准点云。图：一张普通室内照片——MoGe 的输入只需这种日常开放域图像，无需任何标定对新手来说，读法很简单：深度图上每个像素就是一个浮点数，数值越大代表越远；点图上每个像素是一组坐标，代表场景中某一点在相机坐标系下的位置。精度方面，MoGe-2 的点图是度量尺度的（metric scale），也就是说 1.0 就是 1 米，而不是像一些纯学习式方法那样只给你一个「差一个未知缩放」的结果，拿来直接量距离是可以的。🧭 表面方向：法线图告诉你每个点「朝哪」点图和深度图给的是位置和距离，而法线图给的是朝向：每个像素位置上一个单位法向量 (x, y, z)，表示该处表面垂直方向指哪儿。它来自 MoGe-2 的 normal 版本模型（加载 normal 权重时输出里才会带normal键）。落盘时会做颜色编码存成normal.png，红/绿/蓝通道分别对应法向量的三个分量，这样肉眼看颜色就能判断表面朝向——比如大面积同色说明是一块平整表面，颜色渐变处往往是曲面或边缘。典型用法：表面重建时给网格提供平滑的法向、光照计算与渲染、以及基于法向的语义分割辅助等。配合 docs/normal.md 可以看到官方的法线效果对比说明。📏 坐标系与尺度：这一节不读，后面全白干三个容易踩的坑，集中说清楚：OpenCV 坐标系。MoGe 输出的点图和法线图都采用 OpenCV 相机坐标系：X 向右、Y 向下、Z 向前（指向场景）。这和很多 3D 软件里默认的「Y 向上、Z 向后」是反的。如果你把points.exr里的坐标直接喂进 Blender 之类的工具发现场景倒立、前后颠倒，先来这里找原因。GLB/PLY 已自动转坐标。导出mesh.glb/pointcloud.ply时，脚本会把顶点从 OpenCV 约定转换到 OpenGL 世界系（x 右、y 上、z 向后），贴图 UV 也做了相应调整——所以 3D 文件里拿到的是「正着」的模型，但原始地图文件仍是 OpenCV 坐标系。两条数据链的坐标系不同，混用时别搞串。EXR 是 32 位浮点。深度和点图以 EXR 格式保存，每个通道是 float32，动态范围大、无损保存，适合做后续数值处理；PNG 可视化图只适合肉眼看，不要拿它当数据用。另外记住尺度这件事：MoGe-2 默认就是米制度量尺度，深度 1.5 就是离相机 1.5 米；相机视场角若已知可以通过--fov_x指定，否则模型会自动估计。💾 文件落盘：--maps、--glb、--ply各产出什么用命令行跑一次推理（脚本源码在这里）：加--maps，每张图目录下会存一组像素级地图：image.jpg— 输入图副本，方便对照depth.exr— 原始深度图（32 位浮点，数据用）depth_vis.png— 颜色编码的深度可视化，肉眼看用points.exr— 逐像素 3D 坐标（点图）normal.png— 法线可视化（仅 normal 模型有）mask.png— 有效像素二值掩码，白为有效、黑为无效，做点云/网格前先过一遍它能滤掉无效区域fov.json— 估计出的水平/垂直视场角（单位：度）加--glb，得到mesh.glb：由点图重建的网格模型，原图颜色作为贴图，可直接拖进主流 3D 软件或 Web 查看器。加--ply，得到pointcloud.ply：纯点云，颜色存在顶点色里，适合做点云配准、扫描式重建流程。图：街景交通照片这类开放域图像是 MoGe 单目几何估计的典型输入，输出可直接用于 3D 重建三个开关互不冲突，可以同时加；都不加时脚本会默认全存。每张输入图会按自己的文件名建子目录存放，批量处理一个文件夹也照样工作。🎯 从输出到应用：这些东西拿来干嘛3D 重建与 AR：mesh.glb/pointcloud.ply直接进 Blender、Web 3D 场景，单张照片变可交互的立体内容。机器人导航：度量深度的深度图天然适合做障碍物距离判断与避障规划。表面分析：法线图支撑表面平整度检测、光照估计、基于几何的特征提取。下游几何任务的输入：EXR 原始地图精度高、格式通用，可以直接作为其他 3D 工作流的输入数据。全景图扩展：仓库还提供了一个实验性的 360° 全景流程moge infer_panorama，把等距柱状全景切分成多个视角分别估计再拼回，得到全景深度与点图，感兴趣的可以看 moge/scripts/infer_panorama.py。想深入用法可以看 moge/scripts/infer.py 的参数说明，评估相关细节见 docs/eval.md，ONNX 部署参考 docs/onnx.md，各种真实输入照片在 example_images/ 里可以随便挑来试。写在最后读懂 MoGe 的输出其实就记三件事：像素级地图给你「哪里、多远、朝哪」，EXR 保精度、PNG 供人看，导出文件自动转好坐标系。把这些搞明白了，从一张照片到可用 3D 内容之间，只差一条命令的距离。【免费下载链接】MoGe[CVPR'25 Oral] MoGe: Unlocking Accurate Monocular Geometry Estimation for Open-Domain Images with Optimal Training Supervision项目地址: https://gitcode.com/GitHub_Trending/mo/MoGe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
MoGe 输出结果详解：一张照片跑一次，5 类几何信息怎么读、能干什么【免费下载链接】MoGe[CVPR'25 Oral] MoGe: Unlocking Accurate Monocular Geometry Estimation for Open-Domain Images with Optimal Training Supervision项目地址: https://gitcode.com/GitHub_Trending/mo/MoGe拍一张普通照片，几秒钟后你能拿到这张图的点云、深度图和法线图——这就是 MoGe 这个单目几何估计模型（CVPR'25 Oral）做的事情：从单张开放域图像里恢复出精确的 3D 几何信息。很多新手第一次跑完moge infer，面对输出目录里那一堆exr、png、glb文件会一脸懵。这篇文章就把 MoGe 的输出结果完整拆开讲：每个文件代表什么、坐标系是什么、落盘成什么格式、以及你能拿它们去干哪些事。🧺 总览：一次前向传播，你能拿到什么？MoGe 模型在一次前向传播中并不是只吐出一个结果，而是一组与输入图像等大的「地图」(map)，外加相机参数。把清单先摆出来，后面逐个拆：输出形状一句话解释点图 points(H, W, 3)每个像素对应的 3D 空间坐标深度图 depth(H, W)每个像素到相机的距离法线图 normal(H, W, 3)每个像素的表面朝向（MoGe-2 的 normal 模型才有）掩码 mask(H, W)二值标记，哪些像素是有效的相机内参 intrinsics(3, 3)归一化的相机内参矩阵图：MoGe 从单张图像到各类几何输出的整体流程（单目几何估计管线概览）先抓住一个关键概念：所谓「图」，其实是一整张数值矩阵，尺寸和输入照片一模一样。照片里有多少个像素，这些地图里就有多少个对应的数值点。理解了这一点，后面所有输出都好读。📐 空间与距离：点云和深度图，本质是一回事点图和深度图看起来是两种东西，但本质是同一份「空间位置」信息的两种表达：深度图只回答一个问题：这个像素离相机多远。它是单通道数值，MoGe-2 下单位就是米，可以直接用来做距离测量。点图把深度再结合相机参数反投影回去，给每个像素算出完整的 (x, y, z) 三维坐标。你可以把它理解成「逐像素的点云」——把有效像素的三维坐标全捞出来，就是一张标准点云。图：一张普通室内照片——MoGe 的输入只需这种日常开放域图像，无需任何标定对新手来说，读法很简单：深度图上每个像素就是一个浮点数，数值越大代表越远；点图上每个像素是一组坐标，代表场景中某一点在相机坐标系下的位置。精度方面，MoGe-2 的点图是度量尺度的（metric scale），也就是说 1.0 就是 1 米，而不是像一些纯学习式方法那样只给你一个「差一个未知缩放」的结果，拿来直接量距离是可以的。🧭 表面方向：法线图告诉你每个点「朝哪」点图和深度图给的是位置和距离，而法线图给的是朝向：每个像素位置上一个单位法向量 (x, y, z)，表示该处表面垂直方向指哪儿。它来自 MoGe-2 的 normal 版本模型（加载 normal 权重时输出里才会带normal键）。落盘时会做颜色编码存成normal.png，红/绿/蓝通道分别对应法向量的三个分量，这样肉眼看颜色就能判断表面朝向——比如大面积同色说明是一块平整表面，颜色渐变处往往是曲面或边缘。典型用法：表面重建时给网格提供平滑的法向、光照计算与渲染、以及基于法向的语义分割辅助等。配合 docs/normal.md 可以看到官方的法线效果对比说明。📏 坐标系与尺度：这一节不读，后面全白干三个容易踩的坑，集中说清楚：OpenCV 坐标系。MoGe 输出的点图和法线图都采用 OpenCV 相机坐标系：X 向右、Y 向下、Z 向前（指向场景）。这和很多 3D 软件里默认的「Y 向上、Z 向后」是反的。如果你把points.exr里的坐标直接喂进 Blender 之类的工具发现场景倒立、前后颠倒，先来这里找原因。GLB/PLY 已自动转坐标。导出mesh.glb/pointcloud.ply时，脚本会把顶点从 OpenCV 约定转换到 OpenGL 世界系（x 右、y 上、z 向后），贴图 UV 也做了相应调整——所以 3D 文件里拿到的是「正着」的模型，但原始地图文件仍是 OpenCV 坐标系。两条数据链的坐标系不同，混用时别搞串。EXR 是 32 位浮点。深度和点图以 EXR 格式保存，每个通道是 float32，动态范围大、无损保存，适合做后续数值处理；PNG 可视化图只适合肉眼看，不要拿它当数据用。另外记住尺度这件事：MoGe-2 默认就是米制度量尺度，深度 1.5 就是离相机 1.5 米；相机视场角若已知可以通过--fov_x指定，否则模型会自动估计。💾 文件落盘：--maps、--glb、--ply各产出什么用命令行跑一次推理（脚本源码在这里）：加--maps，每张图目录下会存一组像素级地图：image.jpg— 输入图副本，方便对照depth.exr— 原始深度图（32 位浮点，数据用）depth_vis.png— 颜色编码的深度可视化，肉眼看用points.exr— 逐像素 3D 坐标（点图）normal.png— 法线可视化（仅 normal 模型有）mask.png— 有效像素二值掩码，白为有效、黑为无效，做点云/网格前先过一遍它能滤掉无效区域fov.json— 估计出的水平/垂直视场角（单位：度）加--glb，得到mesh.glb：由点图重建的网格模型，原图颜色作为贴图，可直接拖进主流 3D 软件或 Web 查看器。加--ply，得到pointcloud.ply：纯点云，颜色存在顶点色里，适合做点云配准、扫描式重建流程。图：街景交通照片这类开放域图像是 MoGe 单目几何估计的典型输入，输出可直接用于 3D 重建三个开关互不冲突，可以同时加；都不加时脚本会默认全存。每张输入图会按自己的文件名建子目录存放，批量处理一个文件夹也照样工作。🎯 从输出到应用：这些东西拿来干嘛3D 重建与 AR：mesh.glb/pointcloud.ply直接进 Blender、Web 3D 场景，单张照片变可交互的立体内容。机器人导航：度量深度的深度图天然适合做障碍物距离判断与避障规划。表面分析：法线图支撑表面平整度检测、光照估计、基于几何的特征提取。下游几何任务的输入：EXR 原始地图精度高、格式通用，可以直接作为其他 3D 工作流的输入数据。全景图扩展：仓库还提供了一个实验性的 360° 全景流程moge infer_panorama，把等距柱状全景切分成多个视角分别估计再拼回，得到全景深度与点图，感兴趣的可以看 moge/scripts/infer_panorama.py。想深入用法可以看 moge/scripts/infer.py 的参数说明，评估相关细节见 docs/eval.md，ONNX 部署参考 docs/onnx.md，各种真实输入照片在 example_images/ 里可以随便挑来试。写在最后读懂 MoGe 的输出其实就记三件事：像素级地图给你「哪里、多远、朝哪」，EXR 保精度、PNG 供人看，导出文件自动转好坐标系。把这些搞明白了，从一张照片到可用 3D 内容之间，只差一条命令的距离。【免费下载链接】MoGe[CVPR'25 Oral] MoGe: Unlocking Accurate Monocular Geometry Estimation for Open-Domain Images with Optimal Training Supervision项目地址: https://gitcode.com/GitHub_Trending/mo/MoGe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考