सघन भविष्यवाणी के लिए पूर्व प्रशिक्षित टेक्स्ट-टू-इमेज (T2I) जनरेटिव मॉडल में दृश्य पूर्व सूचना के उपयोग पर पिछले शोध के आधार पर, यह पत्र यह परिकल्पना करता है कि छवि संपादन मॉडल, T2I जनरेटिव मॉडल की तुलना में सघन ज्यामिति अनुमान को ठीक करने के लिए अधिक उपयुक्त आधार के रूप में काम कर सकते हैं। इसे सत्यापित करने के लिए, हम जनरेटिव और संपादन मॉडल के ठीक-ट्यूनिंग व्यवहारों का व्यवस्थित रूप से विश्लेषण करते हैं, यह दर्शाते हुए कि संपादन मॉडल, अपनी अनूठी संरचनात्मक पूर्व सूचना के साथ, अधिक स्थिर अभिसरण और उच्चतर प्रदर्शन प्राप्त करता है। इन निष्कर्षों के आधार पर, हम FE2E का प्रस्ताव करते हैं, जो एक नया ढांचा है जो प्रसार ट्रांसफार्मर (DiT) आर्किटेक्चर पर आधारित उन्नत संपादन मॉडल को सघन ज्यामिति भविष्यवाणी पर लागू करता है। FE2E संपादन मॉडल के मूल प्रवाह मिलान हानि को "सुसंगत वेग" प्रशिक्षण उद्देश्य के रूप में पुनर्निर्मित करता हमने बड़े पैमाने पर डेटा वृद्धि के बिना कई डेटासेट पर शून्य-शॉट मोनोकुलर गहराई और सामान्य अनुमान के लिए उल्लेखनीय प्रदर्शन सुधार प्राप्त किया है, विशेष रूप से ETH3D डेटासेट पर 35% से अधिक प्रदर्शन सुधार का प्रदर्शन किया है और 100x अधिक डेटा पर प्रशिक्षित डेप्थएनीथिंग श्रृंखला से बेहतर प्रदर्शन किया है।
