16 位深度图：修复条带断层并验证 PNG 精度

最后更新：2026 年 9 月 13 日。下文的编码测量使用合成渐变，并不是 AI 深度估计精度的基准测试。

深度图在浏览器里看起来很平滑，可一用于置换，表面就出现一级一级的台阶。你改成导出“16 位 PNG”，结果毫无变化。在重新生成图像或提高网格密度之前，先查清数值是在哪一步变成阶梯状的。仅凭文件扩展名，无法回答这个问题。

快速回答：如何避免深度图出现条带？

如果下一个应用支持，请使用直接从模型浮点深度值导出的 16 位灰度 PNG。不要让深度图经过 8 位预览、截图、JPEG 或照片压缩工具。然后在测试置换之前，检查文件的采样深度、数值范围和不同数值的数量。

16 位容器无法找回已经丢失的精度。在我们可复现的实验中，直接编码为 16 位的渐变保留了 4,096 个不同数值，而先存为 8 位再另存为 16 位的渐变只剩 256 个。两个 16 位文件报告的采样深度相同，数值范围也都是完整的。

这套方法能解决什么，不能解决什么

这套流程处理的是导出精度和常见的导入错误。它不能把 AI 估计的相对深度变成实测距离，不能还原被遮挡的几何形状，不能修正错误的轮廓，也不能保证得到可用于加工制造的浮雕。场景深度估计和专门雕刻的高度场，用途并不相同。

基础概念请阅读我们的深度图入门。需要实际导出时，深度图生成器默认输出 16 位灰度 PNG，会标明白色代表近处还是远处，并提供反转选项。

它的 AI 处理路径会一直保留浮点数值，直到最后的编码步骤。如果工具提示改用了基于边缘和模糊的备用算法，该算法从 8 位数值起步，因此即使导出 16 位 PNG，最多也只有 256 个层级。

应该选择 8 位、16 位还是浮点深度？

下一步任务	支持时优先选择	继续之前要检查
快速蒙版或粗略预览	8 位灰度 PNG	效果能否接受肉眼可见的数值台阶
基于归一化深度的平滑置换	直接导出的 16 位灰度 PNG	源数据是否早已降为 8 位
需要原始浮点数值的流程	应用文档指定的浮点格式，通常是 EXR	单位、无效值、归一化方式和导入约定
只接受 8 位图像的工具	保留高精度母版，另导出一份 8 位副本	其预览和最终输出能否保留足够细节

PNG 的采样深度按每个通道计算，而不是把所有通道加起来。所谓“32 位”RGBA PNG，是四个通道各存 8 位，所以把同一个灰度值复制到每个通道，依然只有 256 个层级。W3C PNG 规范规定灰度图像的采样深度可以是 1、2、4、8 和 16 位；PNG 没有浮点采样格式。

对比 8 位灰度的 256 个层级与 16 位灰度的 65,536 个层级的示意图

这张图展示的是编码容量，不代表模型精度，也不代表每张图像都必须包含这么多数值。一个完全平坦的表面只用一个数值也完全正常。文件更大，同样不能证明估计更好。

我们的 8 位与 16 位实验测量了什么？

我们创建了一条 4,096 × 64 的水平渐变，从 0 到 1 均匀分布 4,096 个数值。然后用 NumPy 和 Pillow 以三种方式编码，重新打开每个 PNG，测量它的文件头、不同数值数量、数值范围，以及相对原始渐变的最大归一化误差。

编码路径	PNG 采样深度	解码后的不同数值	最大归一化误差	文件字节数
浮点渐变 → 8 位	8	256	0.001953602	528
浮点渐变 → 16 位	16	4,096	0.000007602	848
浮点渐变 → 8 位 → 16 位	16	256	0.001953602	819

第三条路径把每个 8 位整数乘以 257。这样 0 仍是 0，255 变成 65,535，所以数值范围看起来没有问题。但第一次转换时丢失的中间值，依然无法重建。这正是只看“16 位”标记或最亮像素，会漏掉一种重要故障的原因。

实测不同数值的条形图：8 位为 256，直接 16 位为 4,096，8 位另存为 16 位仍为 256

这些文件由重复的行组成，极易压缩，所以体积特别小。它们的字节数不能用来预测照片的文件大小。该实验只隔离了量化问题，没有比较深度模型，没有测试 Blender 渲染，也没有测量实际雕刻质量。本页中的 WebP 插图是说明性图表，并不是可供下载的高精度深度图。

如需复现这三个文件，请在 Python 环境中安装 NumPy 和 Pillow，然后运行：

import numpy as np
from PIL import Image

ramp = np.tile(np.linspace(0, 1, 4096), (64, 1))
a8 = np.rint(ramp * 255).astype(np.uint8)
a16 = np.rint(ramp * 65535).astype(np.uint16)
wrapped = a8.astype(np.uint16) * 257
for name, values in [("ramp-8", a8), ("ramp-16", a16),
                     ("ramp-8-in-16", wrapped)]:
    Image.fromarray(values).save(name + ".png")

如何检查你下载的 PNG？

请在其他应用重新保存之前，直接对下载的原始文件运行下面的脚本。它使用与实验相同的 Python 包，要求输入单通道 PNG。如果传入的是 RGB 预览图，脚本会刻意停止，而不是悄悄把预览图转换成看似有效的深度数据。

from pathlib import Path
import numpy as np
from PIL import Image

path = Path("depth.png")
raw = path.read_bytes()
assert raw[:8] == b"\x89PNG\r\n\x1a\n"
assert raw[12:16] == b"IHDR"
print("PNG sample depth:", raw[24])
print("PNG color type:", raw[25])  # 0 = grayscale
values = np.asarray(Image.open(path))
assert values.ndim == 2, "Inspect the grayscale export, not an RGB preview"
print("Range:", int(values.min()), int(values.max()))
print("Distinct values:", np.unique(values).size)

确认检查的是灰度下载文件，而不是彩色预览图。
如果选择了 16 位导出，采样深度应为 16。
检查数值范围是否适合你的流程。
结合图像内容判断不同数值的数量，不存在通用的合格线。
查看平滑的斜坡区域，那里最容易发现意外的平台。
每做一次可能降低精度的转换，都重新检查一遍。

一张看起来细节丰富、却只有 256 个数值的图像值得排查，但这只是线索，不是结论。刻意做成平坦的蒙版，本来就可能只需要更少的数值。反过来，插值可以从 8 位源数据中生成成千上万个数值，却无法恢复原始预测。检查文件，无法证明它的全部处理历史。

几乎全黑的预览同样需要正确解读。存储在很窄数值范围内的原始深度，对于要读取它的软件来说可能是有效的。只有当下一个工具要求归一化深度时，才对副本做归一化；原文件和任何比例元数据都要保留。关于尺寸和格式的基础检查，图像尺寸检查指南解释了普通文件属性能说明什么、不能说明什么。

为什么没问题的文件在 Blender 里仍然显示异常？

把深度图当作数值数据处理。在 Image Texture 节点中，把色彩空间设为 Non-Color，避免套用显示用的颜色变换。将图像连接到合适的高度或置换输入，检查材质的置换方式，并确认网格有足够的几何细分来实现真正的置换。

Blender 置换文档区分了只改变明暗效果的凹凸贴图，以及真正移动表面、因此需要精细细分几何体的置换。凹凸无法改变轮廓。菜单位置因版本而异，请参照与你安装版本对应的文档。

三步诊断：先比对源估计，再检查导出的 PNG，最后检查导入设置

症状	优先排查	下一步有效测试
平缓斜坡上出现规律台阶	量化，或中途被转换为 8 位	比较原始下载文件和导入后的文件
前景主体变成凹陷	近/远约定或置换方向	反转一次，并与已知的前景点比较
深度图平滑，但轮廓呈块状	几何细分不足或置换模式不对	在一小块网格区域增加几何细分测试
玻璃、头发或反光形成怪异形状	模型对场景的理解	将估计结果与原照片对照
深度图在查看器中几乎全黑	数值范围或显示处理	调整色阶前先检查原始最小值和最大值

测试时把置换强度保持在较低水平。在增加细节之前，先确认 Midlevel、UV 映射、裁切和宽高比。一次改动所有设置，就很难判断究竟是哪一步导致了错误。

从导出到导入的可靠检查清单

导出之前：

把源照片和原始深度图下载文件放在一起保存。
选择前景与背景分离清晰的图像。
选择导出格式前，先检查物体边界。
在兼容的深度流程中，直接导出 16 位灰度 PNG。
记录这次导出中，亮像素代表近处还是远处。

下载之后：

检查已保存文件的文件头、数值范围和不同数值数量。
以数据方式导入，并用已知位置的场景点验证方向。
完整渲染前，先用合适的几何细分测试一小块区域。
做任何兼容性转换之前，先保留高精度母版。
保存有效的设置，方便与之后的导出结果对比。

不要让深度母版经过常规的图像压缩流程。体积更小的显示图像和可靠的数值场，要求完全不同。同样，通用 AI 放大工具可能凭空生成纹理，一旦被当作高度解读，就会变成多余的几何起伏。

如果最终用于浮雕或雕刻应用，请另行核实该应用文档中说明的采样处理方式和灰度方向。本文没有测试加工设备的输出。仅凭相对于相机的深度，无法确定浮雕厚度、物理单位或加工参数。

常见问题

16 位深度会让 AI 估计更准确吗？

不会；它能保留更精细的输出数值，但无法纠正模型对场景理解上的错误。

把 8 位 PNG 转成 16 位能消除条带吗？

只更换容器无法找回丢失的数值；平滑处理可以弱化台阶，但也会改变深度数据本身。

为什么 16 位 PNG 只有 256 个不同数值？

它可能经过了 8 位处理环节；不过内容简单的图像，本来也可能只有这么少的数值。

深度图中白色一定代表近处吗？

不一定；各工具约定不同，请查看导出工具的近/远标注，并用已知的前景点加以验证。

可以用 JPEG 作为置换贴图吗？

渲染器也许能接受，但有损编码使它不适合作为保存精确深度值的母版。

32 位 RGBA PNG 比 16 位灰度 PNG 更精确吗？

对灰度深度图来说并不会；“32 位”RGBA 指四个 8 位通道，除非工具刻意把深度拆分编码到多个通道，否则每个灰度值仍只有 256 个层级。

为什么两个文件在浏览器预览中看起来一样？

显示转换可能掩盖额外的数值精度，因此应检查原始数据，并在目标应用中实际测试。

这张深度图能提供精确的真实世界测量值吗？

不能；归一化的相对估计既不能确定物理距离，也不能恢复看不见的几何形状。