Kartu judul yang dihasilkan dengan judul Depth Pro 2 vs VGGT dalam tipografi geometris gelap berukuran besar, dengan subjudul Sebuah pengukuran atau sebuah rekonstruksi di bawahnya, di atas bilah gradien biru-ke-cyan yang tipis.
Engineering & Research

Depth Pro 2 vs VGGT: Kedalaman Metrik atau Geometri Multi-Tampilan

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Arahkan ponsel ke sebuah ruangan, berjalanlah mengelilinginya, dan rekam video selama empat puluh detik. Dua model dapat mengubahnya menjadi geometri, dan keduanya tidak akan sepakat tentang apa geometri itu. Depth Pro 2, model kedalaman monokular metrik dari Apple, mengembalikan nilai kedalaman dalam meter untuk setiap piksel pada setiap bingkai, dengan panjang fokus yang disertakan. VGGT — Visual Geometry Grounded Transformer dari Meta AI Research dan grup VGG University of Oxford, yang dipublikasikan di CVPR 2025 — mengembalikan ekstrinsik dan intrinsik kamera, peta titik, peta kedalaman, dan lintasan titik 3D untuk seluruh kumpulan tampilan sekaligus.

Salah satu dari keluaran itu adalah pengukuran. Yang lainnya adalah rekonstruksi. Memilih di antara keduanya bukanlah soal mana yang lebih akurat, karena kedua model menjawab pertanyaan yang berbeda, dan jawaban yang Anda butuhkan ditentukan oleh apa yang terjadi setelah model dalam pipeline Anda.

Untuk apa setiap model dibuat

VGGT adalah jaringan feed-forward yang menyimpulkan semua atribut 3D utama suatu scene dari satu, beberapa, atau ratusan tampilan, dalam hitungan detik. Intinya adalah estimasi bersama: alih-alih menjalankan model kedalaman per frame lalu menyelesaikan pose kamera dengan tahap structure-from-motion terpisah, VGGT menghasilkan pose, intrinsik, kedalaman, dan track titik dalam satu pass, dengan tampilan-tampilan saling memberikan atensi. Itulah sebabnya klaim "ratusan tampilan" penting — ini adalah pengganti pipeline fotogrametri, bukan tambahan untuknya.

Depth Pro 2 adalah estimator kedalaman metrik monokular, dan kata yang berperan penting adalah metrik. Outputnya berupa peta kedalaman dalam meter sepanjang arah pandang kamera, dihitung dari satu gambar, tanpa memerlukan metadata kamera — model dapat membaca panjang fokus dari EXIF, menerima panjang fokus yang Anda berikan dalam piksel, atau memprediksinya dengan estimator 23,5 juta parameter terpisah yang disertakan sebagai repositori tersendiri. Model ini juga menangani video, yang menjadi asal angka "2": transformer multi-view memproses frame secara bersama-sama, bergantian attention di dalam setiap frame dan antarframe setelah sepertiga blok pertamanya, dan dekoder DPT menghasilkan peta kedalaman invers per frame.

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.

• Unit kerja — VGGT menerima sekumpulan tampilan; Depth Pro 2 menerima foto, video, atau umpan langsung.

• Keluaran utama — VGGT menghasilkan parameter kamera, peta titik, peta kedalaman, dan jejak titik 3D; Depth Pro 2 menghasilkan kedalaman metrik plus panjang fokus yang digunakannya.

• Pemecahan kamera — VGGT memperkirakannya sebagai bagian dari masalah gabungan; Depth Pro 2 membaca, menerima, atau memprediksi panjang fokus, tanpa ekstrinsik.

• Skala — Keluaran utama Depth Pro 2 adalah meter; kartu model VGGT menjelaskan parameter kamera, peta titik, kedalaman, dan track serta tidak mengklaim skala metrik.

• Rilis — VGGT dipublikasikan di CVPR 2025 (arXiv 2503.11651); repositori Depth Pro 2 dibuat pada November 2026, dengan laporan teknis yang masih tertunda.

Pertanyaan skala menentukan sebagian besar penerapan.

Jika Anda perlu mengetahui bahwa meja itu berjarak 0,74 meter, VGGT tidak secara langsung memberi tahu Anda hal itu, sedangkan Depth Pro 2 melakukannya. Itulah keseluruhan argumen dalam satu kalimat, dan penting untuk tepat tentang alasannya.

Klaim metrik Depth Pro 2 bersifat arsitektural, bukan insidental. Depth Pro asli dibangun sebagai model fondasi untuk kedalaman metrik zero-shot, dan repositori tersebut eksplisit tentang konvensinya: kedalaman adalah koordinat z sepanjang arah pandang, bukan jarak radial; kedalaman invers dinormalisasi oleh panjang fokus; dan panjang fokus yang 10 persen terlalu panjang menempatkan semuanya 10 persen terlalu jauh. Itu adalah konvensi dari model yang outputnya dimaksudkan untuk dibaca sebagai pengukuran, dan Depth Pro 2 mewarisinya tanpa perubahan di keempat ukuran.

Output VGGT bersifat geometris. Ekstrinsik kamera, intrinsik, peta titik, dan jejak titik konsisten secara internal — rekonstruksinya benar hingga transformasi kemiripan global — dan memulihkan skala absolut darinya adalah langkah terpisah, biasanya melibatkan referensi yang diketahui dalam adegan. Untuk sintesis tampilan baru, untuk aset 3D, untuk apa pun yang mengharuskan Anda menskalakan ulang adegan agar sesuai dengan penampil, itu tidak masalah dan sering kali lebih disukai. Bagi robot yang perlu mengetahui apakah suatu penghalang berjarak satu meter atau tiga meter, itu adalah masalah yang harus Anda selesaikan di luar model.

Depth Pro 2 memiliki masalah kejujuran tersendiri di sini. Piksel langit dikembalikan sebagai kedalaman tak terhingga, atau, terutama pada model yang lebih kecil, sebagai kedalaman terbatas beberapa kilometer, sehingga point cloud naif yang dibangun dari outputnya akan memiliki dinding geometri jauh palsu di area langit. README memberi tahu Anda untuk memotong rentang kedalaman sebelum membuat point cloud atau gambar berwarna, yang merupakan jenis instruksi yang hanya muncul setelah seseorang terkena dampaknya.

Konsistensi video adalah kontribusi yang sesungguhnya

Depth Pro 2 bukanlah Depth Pro yang lebih baik, melainkan versi yang distabilkan secara temporal, dan mekanismenya sepenuhnya terletak pada pola atensi. Setelah sepertiga awal bloknya, transformer tersebut bergantian antara atensi di dalam setiap frame dan atensi antar-frame, dan dekoder DPT menyusun token dari beberapa blok menjadi peta fitur pada resolusi 1/32 hingga 1/4 dari resolusi masukan. Inti dari pergantian itu adalah Jitter — metrik konsistensi temporal — dan halaman proyek melaporkannya bersama Boundary F1, yang dirata-ratakan pada dataset Sintel dan Spring, dengan klaim bahwa Depth Pro 2 mengungguli karya sebelumnya yang beroperasi pada satu frame atau beberapa frame pada keduanya.

Tidak ada nilai yang menyertai klaim itu, dan tidak ada baseline yang disebutkan namanya. Halaman tersebut hanya merujuk pada "karya sebelumnya yang beroperasi pada satu frame atau beberapa frame" dan pada "baseline pada pengaturan default mereka," serta blok sitasinya berbunyi arXiv:261X.XXXXX — sebuah placeholder, bukan makalah. Siapa pun yang mengutip angka Boundary F1 atau Jitter untuk Depth Pro 2 membacanya dari grafik.

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.

Cakupan operasi Depth Pro 2 lebih sempit daripada yang tersirat dari framing videonya, dan kesempitannya terdokumentasi. Mode defaultnya mengonsumsi klip 16 bingkai dengan tumpang tindih empat bingkai, dan jalur langsung menjalankan setiap bingkai terhadap lima belas bingkai sebelumnya, yang berarti detik pertama dari aliran mana pun adalah detik paling goyah yang akan Anda dapatkan. Satu panjang fokus berlaku untuk seluruh video, dipilih sebagai median pada jendela pembuka — sehingga klip yang melakukan zoom akan menerapkan estimasi fokus senilai satu bingkai ke semua bingkainya. Memori berskala dengan ukuran bingkai dan jendela, bukan dengan durasi, dan solusi Apple untuk video yang kehabisan memori adalah memperpendek jendela sebelum mengecilkan model.

VGGT tidak memiliki mode yang setara, karena memang tidak membutuhkannya. VGGT sudah menangani seluruh kumpulan tampilan secara bersama-sama, yang merupakan bentuk lebih kuat dari jaminan yang sama — asalkan Anda sanggup menanggung attention atas ratusan tampilan, dan asalkan aplikasi Anda menginginkan rekonstruksi alih-alih pembacaan kedalaman per frame.

Ukuran, ekspor, dan apa yang sebenarnya Anda jalankan

Depth Pro 2 memberi Anda empat ukuran dengan jumlah yang dipublikasikan: S pada 24M parameter dan 97 MB, B pada 97M dan 386 MB, L pada 334M dan 1,3 GB, serta H+ pada 872M dan 3,5 GB, dengan H+ sebagai default dan S direkomendasikan untuk laptop. File konfigurasi menunjukkan struktur keluarganya — tulang punggung DINOv3 ViT-S dan ViT-B pada pasangan kecil yang melakukan atensi pada blok 5, 7, 9, dan 11, ViT-L melakukan atensi pada blok 9 hingga 23, ViT-H+ pada blok 11 hingga 31, dengan dimensi dekoder 64, 128, 256, dan 256. Ekspor Core ML untuk Apple silicon dirilis sebagai repositori terpisah, dan repositori kode menyertakan aplikasi demo Mac untuk kedalaman langsung dari kamera.

VGGT-1B adalah satu checkpoint dengan satu miliar parameter, dan keluarga modelnya sejak itu telah berkembang. VGGT-Omega dirilis pada 18 Mei 2026 sebagai "langkah berikutnya dari VGGT," dan sebuah checkpoint komersial, VGGT-1B-Commercial, tersedia bersama versi aslinya dengan AUC@30 sebesar 90,37 pada Co3D dibandingkan 89,98 untuk versi aslinya — satu-satunya angka benchmark di kartu model, dan itu pun marginal. VGGT-1B memiliki 748.148 unduhan per saat penulisan ini, yang menunjukkan seberapa luas komunitas riset mengadopsinya sebagai baseline.

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 adalah kisah yang berlawanan. Keempat checkpoint-nya memiliki unduhan dalam hitungan puluhan, repositori dibuat pada awal November 2026, dan satu-satunya suka di repositori kartu hanya segelintir. Ini adalah model yang telah dipublikasikan dan belum diadopsi. Itu perlu diketahui sebelum Anda berkomitmen: jika Anda menemukan bug, Andalah yang akan mengajukan issue.

Lisensi dan titik pemeriksaan komersial

VGGT-1B adalah CC BY-NC 4.0, non-komersial. Keberadaan VGGT-1B-Commercial adalah detail yang menarik — Meta merilis varian yang dapat dilisensikan secara komersial, yang berarti jalur dari riset ke produk tersedia tanpa negosiasi lisensi. Bobot Depth Pro 2 berada di bawah lisensi Apple Machine Learning Research Model, hanya untuk penggunaan riset, yang didefinisikan oleh repositori sebagai kegiatan penelitian ilmiah non-komersial dan pengembangan akademik.

Tidak ada dari kedua lisensi ini yang merupakan lisensi produk pada checkpoint terbuka. Perbedaannya adalah keluarga VGGT menyertakan opsi komersial sedangkan Depth Pro 2 tidak, jadi jika Anda membangun untuk menghasilkan pendapatan, salah satunya punya pintu dan yang lain punya dinding.

Ini adalah perhitungan yang sama yang muncul satu lapisan di atasnya dalam pipeline produksi apa pun. Model rekonstruksi hanyalah satu panggilan; di sekitarnya ada bagian yang membaca sebuah adegan, memutuskan apa yang harus dilakukan, dan menuliskannya — pekerjaan model bahasa, di mana vendor mencantumkan harga dan agregator meneruskannya atau tidak. Tawaran OrcaRouter adalah markup 0% untuk 217 model dengan failover otomatis antarpenyedia, yang paling penting justru di sini: ketika tahap geometri adalah checkpoint riset dengan segelintir unduhan dan tanpa irama rilis, Anda ingin sisa pipeline menjadi bagian yang membosankan dan redundan.

Siapa yang harus memulai dengan yang mana

Mulailah dengan VGGT jika Anda merekonstruksi sebuah scene dari banyak sudut pandang dan akan menangani skala di tahap hilir — sintesis novel-view, aset 3D, kumpulan data yang dibangun dari video yang geometrinya menjadi hasil akhir. Penyelesaian bersama kamera-dan-geometri inilah yang membuatnya layak dengan satu miliar parameter, dan VGGT-Omega adalah generasi saat ini jika Anda memulai dari awal.

Mulailah dengan Depth Pro 2 jika Anda memerlukan satuan meter dari satu frame, atau jika Anda memerlukan kedalaman yang tetap stabil dari frame ke frame dalam siaran langsung. Pengatur ukuran itu nyata dan alur kerja di laptop sudah terdokumentasi. Bersiaplah bahwa kedalaman langit akan terpotong, bersiaplah menjadi orang pertama yang melaporkan sebagian besar bug, dan bersiaplah menunggu laporan teknis sebelum Anda dapat mengutip angka Boundary F1 kepada siapa pun.

Yang seharusnya tidak Anda lakukan adalah memperlakukannya sebagai adu langsung. VGGT merekonstruksi, Depth Pro 2 mengukur, dan satu-satunya perbandingan yang jujur adalah mana yang dapat dikonsumsi oleh kode hilir Anda. Untuk sebagian besar pipeline 3D, jawabannya adalah VGGT dan langkah pemulihan skala; untuk sebagian besar pipeline robotika dan AR, jawabannya adalah Depth Pro 2 dan anggaran ketahanan untuk asap.