Puntos clave
- La estimación de profundidad averigua, en una sola foto plana, qué está cerca y qué está lejos.
- El resultado es un mapa de profundidad del mismo tamaño que la foto: lo cercano suele pintarse claro y lo lejano, oscuro.
- Alcanza con una sola lente. Se adivina con pistas de la propia imagen: qué tapa a qué, el tamaño, el desenfoque, hacia dónde convergen las líneas.
- Es común que no diga cuántos metros hay, sino qué está más cerca, el orden y cuánta diferencia hay. Algunos métodos también adivinan directamente el valor en metros.
- Se usa para desenfocar el fondo, convertir una foto en una imagen con movimiento leve, o resolver qué tapa a qué.
La analogía
Parado en un camino con niebla, el primer poste de luz se ve nítido hasta las juntas del caño; el que está un poco más lejos se ve solo como contorno; el del final del camino es apenas una mancha borrosa. Sin haber medido con una regla y hasta con un ojo cerrado, se sabe enseguida cuál está cerca y cuál lejos. Lo dicen la intensidad, el tamaño y cómo lo de adelante tapa a lo de atrás.
La estimación de profundidad es como ese camino con niebla. La foto no trae la distancia escrita en números, pero adentro de la imagen hay un montón de huellas, como la niebla, que avisan la distancia. Un dibujo que junta esas huellas y anota, lugar por lugar, "acá está tan lejos", es el mapa de profundidad.
Eso sí, la niebla no da la distancia real. No se sabe si el final del camino está a cien pasos o a trescientos: solo queda el orden de qué está más lejos que qué.
En detalle
A la foto le falta la distancia
La cámara aplasta el mundo y lo guarda plano. Todo lo que está sobre un mismo rayo de luz, cerca o lejos, queda impreso en el mismo lugar. Con una sola foto no hay, dentro de la imagen, ninguna base para saber si un autito de juguete del tamaño de una palma está justo enfrente, o si es un auto de verdad que está lejos.
Por eso, para conocer la distancia real, hacen falta dos ojos: al comparar dos fotos tomadas desde dos puntos, lo más cercano se ve más desplazado, y ese desplazamiento se convierte en distancia. Los aparatos de medición la sacan directo, contando el tiempo que tarda la luz en volver.
La estimación de profundidad hace esto sin ningún aparato: reconstruye, a partir de una sola foto ya tomada, la distancia que se perdió. Se parece más a señalar un valor plausible que a medir la respuesta correcta.
Se reúnen pistas de la propia imagen
El material para reconstruir no es distinto del que usa una persona en un camino con niebla. Lo que tapa a otra cosa está más cerca. Un objeto del mismo tipo que se ve chico está más lejos. Si dos líneas paralelas convergen en un punto hacia el fondo, esa dirección es la lejana. Cuanto más tupido se ve un patrón en el piso, más lejos está, y también la sombra separa lo cercano de lo lejano.
El entrenamiento se hace con fotos que tienen la distancia medida aparte con un aparato, o con escenas generadas por computadora donde se conoce toda la distancia, y se le enseña al modelo a adivinar ese valor mirando solo la imagen. También hay métodos que aprenden sin respuestas, comparando entre sí los cuadros consecutivos de un video, o que aprenden de muchas más fotos con respuestas supuestas que puso un modelo entrenado antes. Después de incontables escenas, se acumula el sentido de "así se ve algo que está a esta distancia".
Por eso el resultado no es un valor medido, sino una suposición nacida de la experiencia. Ante una escena nueva, si aparecen pistas conocidas acepta bien; si las pistas están confundidas, se engaña igual que una persona.
El resultado es un solo mapa de profundidad
Lo que entrega no es un solo número, sino una imagen del mismo tamaño que la foto. Cada lugar tiene un valor, y suele pintarse más claro cuanto más cerca está. Esa imagen en blanco y negro donde la persona queda blanca y la pared del fondo queda oscura es justamente eso.
Con este mapa se puede cortar la foto en capas de adelante y atrás: desenfocar el fondo y dejar nítida a la persona, mover un poco la imagen para que parezca tener volumen, o tapar un objeto virtual de forma natural detrás de una columna. Los asistentes de robots y autos también lo consultan, aunque donde está en juego la seguridad suele usarse junto con un aparato que mide la distancia directamente, con varias cámaras o con los cuadros de video que siguen.
Se sabe el orden, pero no la cantidad de pasos
Es la limitación con la que más se tropieza. Buena parte de la estimación de profundidad solo entrega qué está más cerca y cuánto es esa diferencia. Aunque la misma escena se agrande al doble o se achique a la mitad, la relación de adelante y atrás sigue igual, así que no hay forma de distinguirlo.
Si hace falta una distancia en metros, hace falta un punto de referencia: los datos de la lente, un objeto de tamaño conocido, o unos pocos valores medidos con un aparato para calibrar la escala. Hoy también se usan mucho métodos que adivinan los metros directamente a partir de lo que aprendieron sobre el tamaño habitual de las cosas. Aun así, es una suposición y no una medición, así que tiene error. En los métodos que solo dan orden y diferencia, el valor antes de calibrar es como las curvas de nivel de un mapa: solo tiene alto y bajo.
Hay escenas que engañan
Los espejos y el vidrio son los casos típicos. Un cuarto reflejado en un espejo se ve como si fuera un cuarto real que se extiende lejos, y el paisaje que se ve a través de una ventana se mezcla con el reflejo sobre el vidrio hasta hacer difícil decidir qué distancia anotar.
También son difíciles una pared blanca sin dibujo, la niebla espesa y un lugar quemado de negro a contraluz: son lugares donde las pistas quedaron borradas, así que se rellenan con lo de alrededor, y eso a veces empuja toda una superficie hacia adelante o atrás. Cosas finas y tupidas, como rejas, pelo o ramas, también suelen terminar pegadas al fondo.
Con más precisión
La estimación de profundidad hecha con una sola foto se llama estimación monocular, nombre que la distingue del método que compara el desplazamiento entre dos cámaras y del que mide el tiempo de ida y vuelta de la luz. El valor del mapa resultante a veces usa la distancia tal cual, y a veces una escala como el inverso de la distancia, donde lo cercano queda más separado, para tratar con más detalle lo que está cerca.
También hay un punto donde la analogía se queda corta. La niebla de verdad vuelve borroso lo lejano, pero la estimación de profundidad no depende solo de ese desenfoque: compara a la vez el tapado, el tamaño, lo tupido del patrón y hacia dónde convergen las líneas, y lo cruza con el aspecto de las escenas que aprendió. Por eso funciona bien hasta en una foto sin niebla, y al revés, en una foto con niebla espesa de verdad puede confundirse más, porque justo ahí se borran las pistas. En escenas muy distintas de las que vio al entrenar, el valor también puede temblar mucho.
Pruébalo
Malentendidos comunes
Es fácil pensar que la estimación de profundidad mide la distancia, pero en realidad no mide, supone. Muchos métodos solo entregan el orden de adelante y atrás y cuánta diferencia hay, y los que dan un valor en metros también tienen más error que una medición con aparato.
Es fácil creer que hacen falta dos cámaras, pero en realidad ya con una sola foto tomada se puede armar un mapa de profundidad usando solo las pistas de la imagen.
Es fácil suponer que el desenfoque de fondo de un retrato de celular lo hace la lente, pero en realidad, en los celulares con lente chica, muchas veces se separa adelante de atrás con un mapa de profundidad y un recorte de la persona, y se desenfoca solo lo de atrás.
Resumen en una línea
La estimación de profundidad, igual que en un camino con niebla se nota la distancia por la intensidad y el tapado, anota en cada lugar de una sola foto qué está cerca y qué lejos, usando solo las pistas de la imagen.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17