Une carte de titre générée portant en grands caractères géométriques sombres le titre Depth Pro 2 vs VGGT, avec en dessous le sous-titre Une mesure ou une reconstruction, au-dessus d'une fine barre dégradée du bleu au cyan.
Engineering & Research

Depth Pro 2 vs VGGT : profondeur métrique ou géométrie multi-vues ?

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Braquez un téléphone vers une pièce, faites le tour et enregistrez quarante secondes de vidéo. Deux modèles peuvent transformer cela en géométrie, et ils ne seront pas d’accord sur ce qu’est cette géométrie. Depth Pro 2, le modèle de profondeur monoculaire métrique d’Apple, renvoie une valeur de profondeur en mètres pour chaque pixel de chaque image, avec une distance focale associée. VGGT — le Visual Geometry Grounded Transformer de Meta AI Research et du groupe VGG de l’Université d’Oxford, publié à CVPR 2025 — renvoie les paramètres extrinsèques et intrinsèques de la caméra, des cartes de points, des cartes de profondeur et des trajectoires de points 3D pour l’ensemble des vues en une seule fois.

L’une de ces sorties est une mesure. L’autre est une reconstruction. Choisir entre elles n’est pas une question de laquelle est plus précise, car les deux modèles répondent à des questions différentes, et la réponse dont vous avez besoin est déterminée par ce qui vient après le modèle dans votre pipeline.

Ce que chaque modèle a été conçu pour faire

VGGT est un réseau feed-forward qui déduit tous les attributs 3D clés d’une scène à partir d’une seule vue, de quelques-unes ou de centaines de vues, en quelques secondes. L’argument de vente est l’estimation conjointe : plutôt que d’exécuter un modèle de profondeur par image puis de résoudre les poses de caméra avec une étape distincte de structure-from-motion, VGGT produit les poses, les paramètres intrinsèques, la profondeur et les pistes de points en une seule passe, les vues prenant mutuellement en compte les unes les autres via l’attention. C’est pourquoi l’affirmation « des centaines de vues » compte : il s’agit d’un remplacement d’un pipeline de photogrammétrie, et non d’un ajout à celui-ci.

Depth Pro 2 est un estimateur de profondeur métrique monoculaire, et le mot qui fait le travail est « métrique ». Sa sortie est une carte de profondeur en mètres le long de la direction de visée de la caméra, calculée à partir d’une seule image, sans métadonnées de caméra requises — le modèle peut lire une distance focale depuis les EXIF, accepter celle que vous fournissez en pixels, ou la prédire avec un estimateur distinct de 23,5 M de paramètres livré dans son propre dépôt. Il gère aussi la vidéo, d’où le « 2 » : un transformer multi-vues traite les images conjointement, en alternant l’attention au sein de chaque image et entre les images après le premier tiers de ses blocs, et un décodeur DPT produit une carte de profondeur inverse par image.

A screenshot of the Hugging Face model card for facebookresearch/vggt, captured November 20 2026, showing the VGGT-1B checkpoint, its download count and the licence line.

• Unité de travail — VGGT prend un ensemble de vues ; Depth Pro 2 prend une photo, une vidéo ou un flux en direct.

• Sortie principale — VGGT fournit les paramètres de caméra, les cartes de points, les cartes de profondeur et les pistes de points 3D ; Depth Pro 2 fournit une profondeur métrique ainsi que la distance focale qu’il a utilisée.

• Résolution de la caméra — VGGT l’estime dans le cadre du problème conjoint ; Depth Pro 2 lit, accepte ou prédit une distance focale, sans paramètres extrinsèques.

• Échelle — La sortie principale de Depth Pro 2 est en mètres ; la fiche modèle de VGGT décrit les paramètres de caméra, les cartes de points, la profondeur et les pistes, et ne revendique pas une échelle métrique.

**Publication** — VGGT a été publié à CVPR 2025 (arXiv 2503.11651) ; les dépôts de Depth Pro 2 ont été créés en novembre 2026, avec un rapport technique encore en attente.

La question de l’échelle détermine la plupart des déploiements.

Si vous devez savoir que la table se trouve à 0,74 mètre de distance, VGGT ne vous le dit pas directement, contrairement à Depth Pro 2. C’est tout l’argument en une phrase, et il vaut la peine d’être précis sur le pourquoi.

L'affirmation métrique de Depth Pro 2 est architecturale, pas accessoire. Le Depth Pro original a été conçu comme un modèle de base pour la profondeur métrique en zero-shot, et le dépôt est explicite sur les conventions : la profondeur est la coordonnée z le long de la direction de visée plutôt que la distance radiale, la profondeur inverse est normalisée par la distance focale, et une distance focale 10 % trop longue place tout 10 % trop loin. Ce sont les conventions d'un modèle dont la sortie est censée se lire comme une mesure, et Depth Pro 2 les hérite sans changement dans les quatre tailles.

La sortie de VGGT est géométrique. Les paramètres extrinsèques et intrinsèques de la caméra, les cartes de points et les pistes de points sont cohérents entre eux — la reconstruction est correcte à une transformation de similarité globale près — et en récupérer l’échelle absolue est une étape distincte, qui implique généralement une référence connue dans la scène. Pour la synthèse de nouvelles vues, pour un actif 3D, pour tout cas où vous redimensionnerez la scène pour l’adapter à une visionneuse, cela convient et est souvent préférable. Pour un robot qui doit savoir si un obstacle se trouve à un mètre ou à trois mètres, c’est un problème que vous devez résoudre en dehors du modèle.

Depth Pro 2 a ses propres problèmes d’honnêteté ici. Les pixels de ciel sont renvoyés avec une profondeur infinie ou, surtout sur les modèles plus petits, avec une profondeur finie de plusieurs kilomètres, de sorte qu’un nuage de points naïf construit à partir de sa sortie aura un mur de géométrie lointaine parasite là où se trouve le ciel. Le README vous indique de limiter la plage de profondeur avant de créer un nuage de points ou une image couleur, ce qui est le genre d’instruction qui n’apparaît qu’après que quelqu’un s’est fait avoir.

La cohérence vidéo est la véritable contribution

Depth Pro 2 n’est pas tant un meilleur Depth Pro qu’une version stabilisée temporellement, et le mécanisme réside entièrement dans le schéma d’attention. Après le premier tiers de ses blocs, le transformer alterne entre attention au sein de chaque image et attention entre les images, et le décodeur DPT assemble des tokens issus de plusieurs blocs en cartes de caractéristiques à une résolution comprise entre un trente-deuxième et un quart de la résolution d’entrée. L’intérêt de cette alternance est Jitter — la métrique de cohérence temporelle — et la page du projet la rapporte aux côtés de Boundary F1, moyennée sur les jeux de données Sintel et Spring, avec l’affirmation que Depth Pro 2 surpasse les travaux antérieurs fonctionnant sur une seule image ou sur plusieurs images sur les deux.

Aucune valeur n’accompagne cette affirmation, et aucune baseline n’est nommée. La page ne mentionne que « des travaux antérieurs opérant sur une seule image ou sur plusieurs images » et « les baselines à leurs paramètres par défaut », et le bloc de citation indique arXiv:261X.XXXXX — un espace réservé, pas un article. Quiconque cite un chiffre de Boundary F1 ou de Jitter pour Depth Pro 2 le lit sur un graphique.

A screenshot of the Apple Depth Pro 2 project page, captured November 20 2026, showing the video results and the Boundary F1 and Jitter panels with no values printed.

L’enveloppe de fonctionnement de Depth Pro 2 est plus étroite que ne le suggère son cadrage vidéo, et cette étroitesse est documentée. Son mode par défaut traite des clips de 16 images avec un chevauchement de quatre images, et le traitement en direct compare chaque image aux quinze précédentes, ce qui signifie que la première seconde de n’importe quel flux est la seconde la plus instable que vous obtiendrez. Une seule distance focale sert pour toute une vidéo, choisie comme la médiane sur la fenêtre initiale — ainsi, un clip qui zoome se verra appliquer l’estimation focale d’une seule image à toutes les images. La mémoire évolue avec la taille des images et la fenêtre, pas avec la durée, et le remède d’Apple pour une vidéo à court de mémoire consiste à raccourcir la fenêtre avant de réduire le modèle.

VGGT n'a pas de mode équivalent, car il n'en a pas besoin. Il traite déjà l'ensemble des vues conjointement, ce qui constitue une forme plus forte de la même garantie — à condition de pouvoir vous permettre l'attention sur des centaines de vues, et à condition que votre application souhaite une reconstruction plutôt qu'une lecture de profondeur par image.

Tailles, exports et ce que vous exécutez réellement

Depth Pro 2 propose quatre tailles avec des chiffres publiés : S à 24 M de paramètres et 97 Mo, B à 97 M et 386 Mo, L à 334 M et 1,3 Go, et H+ à 872 M et 3,5 Go, H+ étant la taille par défaut et S étant recommandée pour les ordinateurs portables. Les fichiers de configuration montrent la structure de la famille — les backbones DINOv3 ViT-S et ViT-B de la petite paire appliquant l’attention aux blocs 5, 7, 9 et 11, ViT-L aux blocs 9 à 23, ViT-H+ aux blocs 11 à 31, avec des dimensions de décodeur de 64, 128, 256 et 256. Les exports Core ML pour Apple silicon sont livrés dans un dépôt séparé, et le dépôt de code inclut une application de démonstration Mac pour la profondeur en direct depuis la caméra.

VGGT-1B est un checkpoint unique d’un milliard de paramètres, et la famille a depuis évolué. VGGT-Omega est sorti le 18 mai 2026 comme « l’étape suivante de VGGT », et un checkpoint commercial, VGGT-1B-Commercial, existe aux côtés de l’original avec un AUC@30 de 90,37 sur Co3D contre 89,98 pour l’original — le seul résultat de benchmark figurant sur la fiche du modèle, et de surcroît marginal. VGGT-1B totalise 748 148 téléchargements à ce jour, ce qui en dit long sur l’ampleur de son adoption par la communauté de recherche comme référence.

A screenshot of the GitHub repository page for facebookresearch/vggt, captured November 20 2026, showing the README, the checkpoint listing and the CC BY-NC 4.0 licence notice.

Depth Pro 2, c’est l’histoire inverse. Ses quatre checkpoints ont été téléchargés quelques dizaines de fois, les dépôts ont été créés début novembre 2026, et le dépôt de la fiche ne compte qu’une poignée de « j’aime ». C’est un modèle qui a été publié mais pas encore adopté. Cela vaut la peine de le savoir avant de vous engager : si vous rencontrez un bug, c’est vous qui ouvrirez le ticket.

Licences et le point de contrôle commercial

VGGT-1B est sous licence CC BY-NC 4.0, non commerciale. L’existence de VGGT-1B-Commercial est le détail intéressant — Meta a livré une variante pouvant faire l’objet d’une licence commerciale, ce qui signifie que le chemin de la recherche au produit existe sans négociation de licence. Les poids de Depth Pro 2 sont sous la licence Apple Machine Learning Research Model, utilisation à des fins de recherche uniquement, définie par le dépôt comme des activités de recherche scientifique non commerciale et de développement académique.

Aucune des deux licences n’est une licence produit sur le checkpoint ouvert. La différence, c’est que la famille de VGGT comprend une option commerciale, contrairement à celle de Depth Pro 2 ; donc si vous développez pour générer des revenus, l’une de ces options a une porte et l’autre un mur.

C’est le même calcul qui apparaît une couche au-dessus dans n’importe quel pipeline de production. Un modèle de reconstruction est un appel ; autour de lui se trouve la partie qui lit une scène, décide quoi faire et l’écrit — un travail de modèle de langage, où le fournisseur affiche un prix et où un agrégateur soit le répercute, soit ne le fait pas. L’argument d’OrcaRouter est une marge de 0 % sur 217 modèles avec basculement automatique entre fournisseurs, ce qui compte le plus précisément ici : lorsque l’étape de géométrie est un checkpoint de recherche avec une poignée de téléchargements et aucune cadence de publication, vous voulez que le reste du pipeline soit la partie ennuyeuse et redondante.

Qui devrait commencer avec quoi

Commencez par VGGT si vous reconstruisez une scène à partir de nombreuses vues et que vous gérerez l’échelle en aval — synthèse de nouvelles vues, un asset 3D, un jeu de données construit à partir de vidéos où la géométrie est le livrable. La résolution conjointe caméra-géométrie est ce qui justifie le milliard de paramètres, et VGGT-Omega est la génération actuelle si vous partez de zéro.

Commencez par Depth Pro 2 si vous avez besoin de mesures en mètres à partir d’une seule image, ou si vous avez besoin que la profondeur reste stable d’une image à l’autre dans un flux en direct. Le réglage de taille est bien réel et le flux de travail sur ordinateur portable est documenté. Attendez-vous à devoir rogner la profondeur du ciel, à être la première personne à signaler la plupart des bugs, et à devoir attendre le rapport technique avant de pouvoir citer un chiffre de Boundary F1 à qui que ce soit.

Ce qu'il ne faut pas faire, c'est traiter cela comme une confrontation directe. VGGT reconstruit, Depth Pro 2 mesure, et la seule comparaison honnête est celle de ce que votre code en aval peut consommer. Pour la plupart des pipelines 3D, la réponse est VGGT et une étape de récupération d'échelle ; pour la plupart des pipelines robotiques et AR, c'est Depth Pro 2 et un budget de robustesse pour la fumée.