「Depth Pro 2 vs MoGe-2」という見出しが大きく濃色のジオメトリック書体で記された生成タイトルカード。その下には「2つのメトリック深度モデル、互換性のない2つのスコアボード」というサブタイトルが、細いブルーからシアンへのグラデーションバーの上に配置されている。
Guides & Insights

Depth Pro 2 vs MoGe-2:ビデオの一貫性 vs ポイントマップ

著者

jinhao.song

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

Depth Pro 2 と MoGe-2 はどちらも大規模研究機関によるメトリック単眼幾何モデルであり、本稿執筆時点で、両者を直接比較する数値を公開した者は誰もいない。Apple の Depth Pro 2 は、Sintel と Spring のデータセットで平均した Boundary F1 と Jitter を報告している。Microsoft の MoGe-2 は、独自の評価構成で相対幾何精度、メトリックスケール、ディテール保持を報告している。この2組の指標は交差しない。つまり、この組み合わせについて見かける「X が Y を上回る」という主張はすべて、捏造されたものか、どちらの研究所も実施していないベンチマークから借用したものだ。

それは逃げではない。どちらか一方を統合するのに1週間を費やす前に知っておくべき、最も有用なことだ。比較できるのは、各リポジトリが実際に提供しているもの、各モデルがもともと苦手とするように設計されていること、そしてそれらの弱点のどれがあなたのパイプラインに影響するかだ。本稿はそれを行い、どの主張がベンダーのREADMEに由来し、どれがまったく何にも由来しないのかを明示する。

各リポジトリに実際に含まれている内容

Depth Pro 2 は単一のリポジトリではなく、複数の Hugging Face リポジトリに分散しています。カードリポジトリの apple/DepthPro2 には README と図が入っており、重みはサイズ別に apple/DepthPro2-S、apple/DepthPro2-B、apple/DepthPro2-L、apple/DepthPro2-H に分割されています。別のリポジトリ apple/DepthPro2-focal には、どのサイズと併用しても読み込める、独立した2350万パラメータの焦点距離推定器が含まれています。もう1つの apple/DepthPro2-coreml には Apple silicon 向けの Core ML エクスポートが入っています。コードリポジトリは GitHub の apple-aiml-research/ml-depth-pro-2 です。

A screenshot of the Hugging Face model card for apple/DepthPro2, captured November 20 2026, showing the repository name, the four size variants DepthPro2-S, DepthPro2-B, DepthPro2-L and DepthPro2-H, and download counts in the tens.

4つのサイズは、97 MBで24Mパラメータ(S)から、386 MBで97M(B)、1.3 GBで334M(L)、そして3.5 GBで872M(H+、デフォルト)に至ります。これらの構成はファミリー関係を裏付けています。SとBはDINOv3 ViT-SおよびViT-Bバックボーンを使用し、ブロック5、7、9、11でクロスフレームアテンションを適用します。Lはそれをブロック9から23に広げ、256次元のDPTデコーダを備えます。H+はブロック11から31に拡張し、ブロック7、15、23、31でトークンを集約します。

MoGe-2はRuicheng組織の下で4つのチェックポイントとして提供されています。moge-2-vitlはノーマルなしで326Mパラメータ、ノーマル付きバリアントはmoge-2-vitl-normalが331M、moge-2-vitb-normalが104M、moge-2-vits-normalが35Mです。各チェックポイントは、OpenCVカメラ座標におけるメートル単位のポイントマップ、深度マップ、正規化されたカメラ内部パラメータ、有効ピクセルマスクを返し、ノーマルマップはそれを備えるバリアントでは追加で返されます。MoGe-2は第2世代です。このファミリーはその後MoGe-3へと移行しており、MoGe-3は2026年8月18日に1.25BパラメータのViT-gモデルとして発表されたため、MoGe-2は現在のリリースではなく前回のリリースとなっています。

A screenshot of the Hugging Face model card for Ruicheng/moge-2-vitl-normal, captured November 20 2026, showing the checkpoint name, its parameter count and the normal-map variant listing.

2つの設計が分岐する箇所

• 入力モダリティ — Depth Pro 2 は1枚の写真、動画ファイル、またはライブカメラフィードを入力として受け付け、MoGe-2 は単一の画像を受け付けます。

• {{1}}見出しの主張{{/1}} — Depth Pro 2はシャープさと時間的一貫性を主張し、MoGe-2はメトリックスケールと細部の精細さを主張しており、これはシャープな合成ラベルを用いて実トレーニングデータをフィルタリングおよび補完する統一されたデータ精製ステップによって達成されています。

• 出力サーフェス — Depth Pro 2 は深度をメートル単位で返し、さらに使用した焦点距離も返します。MoGe-2 は完全なポイントマップ、深度、内部パラメータ、マスクを返し、それらを含むバリアントでは法線も返します。

• 焦点距離 — Depth Pro 2 は別個の推定器を搭載し、EXIF を読み取るか、ピクセル単位の既知の焦点距離を受け入れることもできます。MoGe-2 は精度を向上させるため、画角をオプションの正解データとして利用できます。

• スケール — MoGe-2 は、スケールが不明なアフィン不変のポイントマップを生成していた MoGe-1 に対して、実世界のメートルスケールを追加しました。Depth Pro 2 は、元の Depth Pro からメートルスケールを継承しています。

• ライセンス — Depth Pro 2 の重みは Apple Machine Learning Research Model ライセンスの下にあり、非商業的な科学研究および学術開発と定義される研究用途に限定されます。MoGe-2 のコードは MIT ライセンスで、同梱の DINOv2 は Apache 2.0 の下にあります。

動画の問いが議論そのものだ。

Depth Pro 2 の際立ったアーキテクチャ上の決定は、マルチビュー Transformer が 1 つ以上のフレームを共同で処理し、ブロックの最初の 3 分の 1 を過ぎると、各フレーム内のアテンションとフレーム間のアテンションを交互に行うことです。その後、DPT デコーダがフレームごとに逆深度マップを予測します。これが Jitter 数値——時間的一貫性の指標——の背後にある仕組みであり、このモデルにビデオの話がある理由でもあります。

実際には、これは2つの動作モードを意味します。デフォルトのバッファーモードでは、4フレームずつ重複する16フレームのクリップを処理し、クリップの境界で深度を安定させます。window と overlap の設定によって、クリップ長と重複量が公開されます。アンバッファーモードでは、各フレームが到着するたびに、そのフレームと直前の15フレームを使って予測します。カメラ用途ならこのモードが適しています。Apple自身のドキュメントはライブ経路のコストについて率直に述べており、ストリームの先頭フレームは参照できる先行フレームが少ないため、深度の安定性が低下します。動画では、すべてのフレームに対して1つの焦点距離が使用され、最初のウィンドウにおける推定値の中央値として求められます。

MoGe-2には相当するものがありません。これは単一画像モデルであり、動画で実行するということは、フレームごとに実行し、結果として生じるちらつきをそのまま受け入れることを意味します。静的な再構成タスク——フォトグラメトリ、静止画から3Dアセットへのパイプライン、各フレームが独立しているあらゆる作業——では、それはまったく制約ではありません。ロボットやARオーバーレイにとっては、使えるか使えないかの違いになります。

各出力で「metric」が何を意味するか

どちらのモデルもメートル単位を謳っていますが、その言葉の扱いはそれぞれ少しずつ異なります。Depth Pro 2 はカメラの視線方向に沿った距離、つまり z 座標を返すのであって、カメラからの直線距離ではありません。また、逆深度を焦点距離で正規化しているため、逆深度はピクセル単位の焦点距離を画像幅と深度の積で割った値になります。空のピクセルは無限深度として、あるいは特に小型モデルでは数キロメートルという有限の深度として返され、これは点群を構築する前に扱っておく価値のある詳細です。

MoGe-2はポイントマップを直接返すため、その変換を回避できます。どうせ3D化するなら、これはより有用な出力であり、モデルが深度と一緒に内部パラメータを報告するのはそのためです。ポイントマップは、カメラ座標系も既知である場合にのみ意味を持ちます。シーンにスケールを固定するテクスチャがない場合、どちらの出力も実深度センサーの代替にはなりません。どちらも推定であり、反射面や透明面ではドリフトします。

ライセンスこそが判断材料であり、ベンチマークではない

どちらのモデルも、提供されたままでは商業利用できませんが、制約は法務レビューで重要となる点で異なります。Depth Pro 2の重みはApple Machine Learning Research Modelライセンスの下にあり、このライセンスは研究目的に限った使用を許諾しており、リポジトリではそれを非商業的な科学研究および学術開発活動と定義しています。コードは別途ライセンスされており、リポジトリはTIMMとDINOv3を基盤としていることを明記しています。

MoGe-2のコードはMITで、ほぼ制約がないに近いですが、重みについてはモデルカードに別個の条件が示されておらず、同梱のDINOv2コードはApache 2.0です。「これを製品に組み込んで出荷できますか」という質問であれば、両方について正直に言えるのは、法務と相談する必要があるということです。ただ、MoGe-2についてはその相談は短く済みます。「これで論文を出版できますか」という質問であれば、どちらも問題ありません。

A screenshot of the GitHub repository page for the MoGe-2 reference implementation, captured November 20 2026, showing the README, the license notice and the repository file listing.

欠けている数字があなたに伝えるべきこと

Depth Pro 2 の技術レポートはまだ存在しない。リポジトリの引用ブロックには依然として arXiv:261X.XXXXX と記されており、その X は伏せ字ではない — まだ埋められていないプレースホルダーである。プロジェクトページは、勝つと主張する指標として Boundary F1 と Jitter を挙げており、ベースラインは一切名指ししておらず、「単一フレームまたは複数フレームで動作する先行研究」と「デフォルト設定のベースライン」に言及するだけである。

MoGe-2には実在する論文があり、arXiv 2507.02546ですが、その要旨も同様に数値が一切ありません。評価は別の文書に委ねられています。したがって、おそらく期待していた比較表はどちらの側にも存在せず、それを提示する記事はグラフの読み取り値を引用しているにすぎません。

これは、スタックの残りの価格設定を行う際に心に留めておく価値があります。深度モデルはパイプラインの一工程にすぎず、そのパイプラインはさらにシーンを記述し、それに対して何を行うかを決定し、結果をどこかに書き出す必要があります。そしてこれらの工程は言語モデルの呼び出しであり、そこでは価格が公開され、直接比較できます。それらを3つではなく1つのAPIの背後に置くべき理由はそこにあります:OrcaRouterは単一のキーで217モデルをルーティングし、0%のマークアップで、つまりプロバイダーの定価がそのまま通され、ベンダーの値下げはアグリゲーターが再同期する時ではなく当日に反映されます。プロバイダー間の自動フェイルオーバーが逆の理由で重要になるのも同じです — 推論ステージこそが稼働し続ける必要があるなら、パイプラインの中で静かに失敗してよい唯一のものは深度ジョブであってほしいからです。

どちらを選ぶべきか

動画があってちらつきが気になるなら、この2つのうち答えを持っているのは Depth Pro 2 だけです。その答えは本物のアーキテクチャです — クロスフレームアテンション、オーバーラップするウィンドウ、文書化されたウォームアップ・ペナルティを伴うライブモード。Apple 自身のドキュメントが示唆しているように、まずはラップトップで S から始め、エッジが十分にシャープでない場合にだけ上げてください。

静止画があってポイントマップが必要なら、MoGe-2 は1回の呼び出しでより多くの出力サーフェスを返し、法線バリアントは本来なら推定するしかない第2の信号を与えてくれます。そのメトリックスケールは MoGe-1 からの改善点であり、しっかりと維持されています。

どちらも与えてくれないのは、一方が他方より優れているという根拠のある主張だ。なぜなら、どちらの研究室もその実験を行っていないからだ。誰かが数値を公表するまでは、この組み合わせを順位付けされたリストとしてではなく、名前が重複する二つの異なるツールとして扱え。