Depth Pro 2 の生成されたタイトルカード。副題は「シャープで時間的に一貫したメトリック単眼深度」で、4つのサイズチップには S 24M、B 97M、L 334M、H+ 872M と表示され、5つ目のチップには焦点推定器 23.5M と表示され、フッター注記には「arXiv 識別子はまだプレースホルダー」と記され、さらに OrcaRouter のロゴが付いている。
Guides & Insights

論文なしで公開されたDepth Pro 2:重みが示すもの

著者

Gideon Frost

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

AppleのDepth Pro 2モデルカードの一番下までスクロールして、引用情報を読んでください。著者は8名、日付は2026年、そしてarXiv識別子は261X.XXXXXと表示されています。このXは伏字ではありません。誰も戻ってきて埋めていないプレースホルダーであり、このリリースを最も正直に要約しています。Appleのメトリック単眼深度モデルであるDepth Pro 2は、今日ダウンロードできる重みとして存在しますが、読める論文としてはまだ存在していません。

その隔たりこそが本題だ。ローンチイベントでも、ベンチマーク表でも、デモ用のSpaceでもない——リポジトリ自体が、Spaceは公開されるまで非表示であると示しており、本稿執筆時点でまだ公開されていない。以下は、リポジトリとドキュメントから知り得るすべてであり、まだ確認されていない事柄とは分けて示す。

何が出荷され、どの日に出荷されましたか

日付は記録に残っている部分だ。Hugging Face はホストするすべてのリポジトリにタイムスタンプを付けるからだ。モデルカードのリポジトリ apple/DepthPro2 は2026年11月3日に作成された。重みのリポジトリは2日後の11月5日に続き、その中には apple/DepthPro2-H も含まれていた。Core ML 書き出し用リポジトリは11月9日に登場した。単体の焦点距離推定器 apple/DepthPro2-focal は11月19日に現れた——同じ日に、コードリポジトリ apple-aiml-research/ml-depth-pro-2 が GitHub で公開された。

この順序はマーケティングのタイムラインではなく、エンジニアリングのタイムラインとして読むべきだ。カード、重み、Apple silicon エクスポート、カメラキャリブレーションモデル、コードは16日間にわたって段階的に用意され、最後に届いたのは、Apple 内部の人間でなくても全体を実行可能にする部分だった。この順序のどこにも、協調された発表を示すものはない。むしろ、レビューを通るたびに成果物を送り出していくチームの姿を示している。

反応がそれを裏付けている。H+の重みリポジトリは40ダウンロード、カードリポジトリは10いいね。GitHubリポジトリにはコミットが1つしかない。Depth Proを生み出したラボのモデルにしては、それはリリース曲線ではない——まだ注目されていないリリースだ。

その論文はプレースホルダーであり、プレプリントではありません。

3つの別々の箇所が、存在しない技術レポートを指しています。モデルカードのバッジは arxiv.org/abs/TODO にリンクしています。GitHub README のバッジは arxiv.org/abs/261X.XXXXX にリンクしています。両方の BibTeX ブロックには、journal = {arXiv preprint arXiv:261X.XXXXX} および url = {https://arxiv.org/abs/261X.XXXXX} と記載されています。

それに関するApple Machine Learningの研究ページも存在しません — machinelearning.apple.com/research/depth-pro-2 は404を返し、Appleの研究サイトマップには depth-pro は掲載されていますが depth-pro-2 は掲載されていません。バッジが指し示すプロジェクトページ apple-aiml-research.github.io/ml-depth-pro-2 が、実際にアクセスできる唯一のApple管理の窓口です。

これは、その言葉から受ける印象以上に重要なことです。技術レポートは評価プロトコルが存在する場所であり、それがなければカードが報告する数値をベースラインが報告する数値と照合することはできません。したがって、以下に示す定量的な内容はすべてベンダー自身の主張であり、独立した検証を経ずにそのまま再現したもので、その旨を明記しています。

4つのサイズに加え、焦点距離推定機能も搭載

このファミリーは自身のスケーリングについて異例なほど明示的だ。Appleは4つすべてのメンバーについてパラメータ数とダウンロードサイズを公開しており、これはほとんどの深度リリースがわざわざ行わないことだ:

• 小型(S)— パラメータ数24M、ダウンロードサイズ97 MB、ラップトップで始めるならこれ。

• ベース(B)— 97Mパラメータ、386 MB。

• Large(L) — 334Mパラメータ、1.3 GB

• H+ (H) — 872Mパラメータ、3.5 GB、そして -m を指定しない場合にコマンドラインがダウンロードするデフォルトです。

• {{1}}焦点距離推定器{{/1}} — 23.5Mパラメータ、94 MB、あらゆるサイズのモデルと並行して読み込まれ、写真や動画に焦点距離の情報がない場合にカメラの焦点距離を予測する独立したリポジトリ。

命名には注意が必要です。設定ファイルを書く人なら誰でもつまずくからです。リポジトリは apple/DepthPro2-H ですが、コマンドラインフラグは -m depthpro2-h で、カードではそのサイズを H+ と呼んでいます。ドキュメントでは、両方の表記が数行以内に混在しています。

基盤となるアーキテクチャは、マルチビューTransformerと、それに続くフレームごとのDPTデコーダーです。Transformerのブロックの最初の3分の1を過ぎると、アテンションはフレーム内とフレーム間で交互に切り替わり、デコーダーは複数のブロックからのトークンを入力解像度の32分の1から4分の1の特徴マップに組み立てます。READMEでは、TIMMとDINOv3をコードとモデルの基盤としてクレジットしています。

トレードオフチャートが唯一の結果です

カードの結果セクション全体は、1つの図と2つの文で構成されている。図は、Apple が選んだ2つの指標である Boundary F1 と Jitter のうち、Boundary F1 を Jitter に対して、約24個の単一フレームおよびマルチフレーム深度モデルの散布図としてプロットしている。Depth Pro 2 の4つのサイズはオレンジ、それ以外はすべて青または緑で示され、Sintel と Spring のデータセットで平均化されている。2つの文は、Depth Pro 2 が単一フレームまたは複数フレームで動作する従来研究を両方で上回ること、そして右上が最良であることを述べている。

The sharpness-versus-temporal-consistency scatter published on the Depth Pro 2 model card, plotting Boundary F1 from 0 to 0.3 against Jitter from 0.1 down to 0, with the four Depth Pro 2 sizes clustered near 0.29 F1 and 0.02 Jitter, Depth Pro at roughly 0.235 and 0.095, and single-frame and multi-frame baselines including VGGT, MapAnything and DA3-NGL further down the jitter axis, footnoted as averaged over Sintel and Spring.

軸にはラベルが付いている。Boundary F1 は 0 から 0.3 まで、ジッターは 0.1 から 0 へと下がる。散布図から位置を読み取ると、H+ マーカーは Boundary F1 が約 0.29、ジッターが約 0.017 のあたりにあり、元の Depth Pro ではそれぞれおよそ 0.235 と 0.095 であるのに対して、両軸で大きな隔たりがある。この図に含まれていないのは、表、データセットごとの内訳、速度やメモリの測定値、そしてプロットされている24個のモデル以外との比較である。カードには、その論文が速度とメモリを含めてサイズを比較していると書かれている——だが、その論文はまだ存在しない。

それはモデルを疑う理由ではない。Depth Pro 2 の Boundary F1 を小数第3位まで引用してくるあらゆる記事を疑う理由だ。なぜなら、そんな数値が存在する唯一の場所は、ざっと100分の1までしか読み取れない散布図であり、評価プロトコルは未公開の報告書に委ねられているからだ。調達文書用にその数値が必要なら、その報告書を待っていることになる。

ビデオこそが、それを続編にしている。

元の Depth Pro は、そのタイトル自体が示すとおり、シャープさと速度を主題としていました:1 秒未満で実現するシャープな単眼メトリック深度、標準的な GPU 上で 0.3 秒で 2.25 メガピクセル。Depth Pro 2 はそのシャープさを保ちつつ、第 2 の軸である時間的一貫性を追加しており、アーキテクチャ全体の変更はそれに奉仕するために存在します。フレーム内およびフレーム間の交互アテンションこそが、トランスフォーマーが複数のフレームを複数の画像ではなく一つのシーンとして捉える仕組みです。

The method diagram from the Depth Pro 2 model card showing a multi-view transformer over the input frames followed by a DPT decoder per frame, annotated with the two numbered contributions: alternating within-frame and across-frame attention after the first third of blocks, and decoder feature maps at one thirty-second to one quarter of the input resolution.

そこから 2 つの動作モードが生まれます。バッファードモードは動画ファイル向けの既定モードで、16 フレームのクリップを 4 フレームずつ重ねて処理するため、連続するクリップの境目でも深度が安定します。--window と --overlap で両方の数値を指定できます。アンバッファードモードは、各フレームが到着した瞬間に、そのフレームと直前の 15 フレームから予測する、ライブカメラ向けのモードです。Apple は、ストリームの最初のフレームは参照できる先行フレームが少ないため深度が不安定になりやすいことを率直に認めています。これは本番環境で発見されたのではなく、ドキュメントに明記されたウォームアップ時のペナルティです。

動画の残りの挙動は、統合前に知っておく価値のある一連の帰結です。1本の動画では全フレームに対して単一の焦点距離が使われ、それは最初のウィンドウでの推定値の中央値として取得されます。メモリ使用量はフレームサイズとウィンドウ長に比例して増え、動画の長さには依存しないため、収まらないクリップに対する文書化された対処法は、まずウィンドウを短くし、次に小さいモデルに切り替え、入力のリサイズは最後の手段にすることです。そして空のピクセルは無限の深度として返されるか、特に小さいモデルでは数キロメートルの有限深度として返されます。READMEには点群を構築する前に範囲をクリップするよう書かれていますが、これは誰かがそれをしなかったからこそ存在する類の助言です。

まだ確認されていないものは何ですか

率直に挙げた未解決の問いのリストは、短く具体的だ。

• 独立評価 — なし。Depth Pro 2 について Boundary F1 や Jitter の数値を公開した第三者はいない。また、カード自体のベースラインは「単一フレームまたは複数フレームで動作する先行研究」以上に名前が明示されていない。

• 速度とメモリ — 論文で比較されていると主張されているが、それはプレースホルダーである。具体的な実行時ガイダンスは、H+ が重み 3.5 GB であることと、S がラップトップ向けの選択肢であることだけだ。

• デモ — そのSpaceはHTMLコメント内でリンクされ、公開まで非表示とマークされています。デモが存在することと、デモに到達できることは別の主張です。

• 名前 —「Depth Pro 2」は、リポジトリ名では DepthPro2、コードパッケージと Core ML リポジトリでは depth-pro-2、Python の import では depth_pro_2 として現れます。この 4 つすべてを検索してください。

A screenshot of the Hugging Face model card for apple/DepthPro2, showing the Depth Pro 2 title, the badge row linking to GitHub, the technical report and the project page, the licence and tags row, and the opening paragraph describing metric depth from a single photo, a whole video or a live feed at the input's full resolution.

論文が出る前にそれを実行する

インストール手順はあえて退屈なものになっていて、それは利点でもある。uv をインストールし、リポジトリをクローンして、写真なら uv run depth-pro-2 predict -i assets/example.jpg -o out/ を、動画なら同じコマンドで .mp4 を指定して実行する。初回実行時は -m depthpro2-s を渡さない限り、3.5 GB の H+ を取得する。このコマンドは利用可能な最初のデバイス — CUDA、次に Apple silicon MPS、次に CPU — を選び、GPU では bfloat16 autocast、CPU では float32 で実行される。Apple ハードウェア向けの Core ML エクスポートと、macOS 15 および Xcode 16 を必要とする最小限の Mac デモアプリがある。

出力形式こそが実用的な詳細のあるところです。このコマンドは常に色分けされた深度画像を書き出し、赤が近く、青が遠くなります。--save-png16 はコンポジットツール向けに16ビットグレースケールPNGを追加します。白が近く、黒が遠く、写真または動画の最初のフレームの深度範囲にスケーリングされます — そのため、動画の後半でより近づく点は飽和します。--save-npz は実際の深度配列をメートル単位で、さらに focallength_px を追加します。数値的な処理を行うなら、これが欲しいものです。

ドキュメントを飛ばすと痛い目に遭う2つの慣例があります。深度はカメラの視線軸に沿った距離、つまりz座標であり、レンズからの直線距離ではありません。また、Pythonにおける逆深度は焦点距離で正規化されます。すなわち focallength_px / (width * depth) に等しくなります。焦点距離を10パーセント間違えると、すべてが10パーセント遠くに配置されます。

これはいずれも当社を経由してルーティングされるものではありません。Depth Pro 2 は Apple 自身のリポジトリから提供される研究ライセンスの重みであり、実行したい場合は Apple からダウンロードします。OrcaRouter がカバーするのは、その周辺のパイプラインの残りの部分です — 200 以上のホスト型モデル向けに単一の API と単一のキーを提供し、その料金はプロバイダー定価に対する 0% のマークアップで、プロバイダー間の自動フェイルオーバーを備えています。深度ステージがプレースホルダーの引用付きでリリース周期のない研究チェックポイントである場合、その周辺の推論ステージと執筆ステージこそ、退屈で冗長な部分であってほしいものです。

構築するのではなく待っているなら、注目すべきは次の点です。Xs を置き換える arXiv 識別子、machinelearning.apple.com の下に現れる研究ページ、そしてコメントアウト状態からリンクされるようになる demo Space。これらのどれか一つでもあれば、これは重みの公開から正式リリースへと変わり、上のチャートに欠けているモデルごとの表が与えられるでしょう。