本文为780字，建议阅读2分钟

马斯克对于自动驾驶一直坚持纯视觉路线，他的观点是：

当雷达路线和视觉路线出现分歧时，你相信哪一个？视觉的精确度要高得多，所以与其进行传感器融合，不如加倍使用视觉，传感器是一种比特流，相机的比特流比雷达（或激光雷达）高出几个数量级。 雷达必须显著提高比特流的信噪比，才值得进行复杂的集成。 随着视觉处理技术的进步，雷达将被远远甩在后面

就在这几天TikTok团队联合香港大学，浙江大学发表了论文《深度无所不能》证明了马斯克说得没错：视觉就是一切

拍一张照片，就能精准获取照片中物体的三维位置，比LiDAR技术还要出色，Vision is All You Need

TikTok团队训练出全方位深度学习模型 ，单张照片帧即可进行LiDAR质量深度估计 ，采用师生模型系统 。第一作者Lihe Yang 港大PhD在读，在TikTok实习时完成了这项工作

训练数据集估计包括：停车、家居自动化、游戏、驾驶、办公和建筑等领域

值得注意的是：

论文作者目标是构建一个能从单一图像进行深度估计的基础模型， 没有采用传统方法，即使用准确的地面实测深度图来训练模型 反而采用了一个庞大的（6200万张）未标记图像数据集，构成了“学生”模型的基础 ，随后建立了一个注释模型来给这个数据集标注， 注释模型是由一个包含150万标记图像的数据集即“老师”模型构建的 ，这一切成功的原因在于规模！他们在这个过程中经历了许多失败

深度信息的框架如下所示。作者采用标准管道来释放大规模无标记图像的威力

马斯克一直在说特斯拉不需要LiDAR或激光雷达，只需要图像，没有人相信。现在TikTok团队证明了他是正确的（又是大力出奇迹？）

无论如何，tiktok团队这项研究非常令人兴奋（尤其是这项非常重要的研究出自中国的研究人员），正好最近特斯拉的FSD V12 端到端纯视觉自动驾驶正式限量开放测试了，我想所有测试的车主在看到这一个研究结果时会更加安心一点

所以以后不喜欢头顶雷达的车主有福了？

想要深入了解这项成果的看这里：https://depth-anything.github.io/