「Depth Pro 2 vs UniDepth V2」を大きな暗色のジオメトリック書体で見出しに据えた生成タイトルカード。その下には、細い青からシアンへのグラデーションバーの上に、サブタイトル「1つのモデルか、自分でサイズを選ぶファミリーか」を配置している。
Guides & Insights

Depth Pro 2 対 UniDepth V2:単一モデルか、それともファミリー全体か

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

{{1}}Depth Pro 2{{/1}}について興味深いのは、深度を推定する点ではない。{{2}}UniDepth V2{{/2}}はそれを実行し、ゼロショットの状況で10個のデータセットについて報告しており、2025年2月にarXiv 2502.20110として論文が登場して以来、そうしてきた。興味深いのは、Depth Pro 2が単一のモデルであることを拒んでいる点だ。Appleはそれを4つのサイズに焦点距離推定器、さらにCore MLエクスポートを加えた形で提供しており、選ぶサイズは、どのモデルを選ぶかとほぼ同じくらい、そのモデルがあなたに何をし得るかを変える。

どちらも、これまで見たことのない画像で動作するよう訓練されたメートル法の単眼推定器です。Depth Pro 2 はカメラの視線軸に沿ったメートル単位の深度を返し、UniDepth V2 はメートル法の深度とカメラ座標系の点群、さらに推定した内部パラメータを返します。どちらもカメラを要求するのではなく推定します。重要な比較は精度ではありません——両研究室は共通ベンチマークを実施していないからです——どちらが導入判断のうちどれだけをあなたに委ねるかです。

3つのバックボーンに対する4つのサイズ

UniDepth V2のモデルズーは3つのチェックポイント、unidepth-v2-vits14、unidepth-v2-vitb14、unidepth-v2-vitl14で構成され、ViTバックボーンのサイズごとに1つずつあります。論文では、深度特徴を条件付けるために密なカメラ表現を予測する自己プロンプト可能なカメラモジュール、カメラ表現と深度表現を分離する擬球面出力、UniDepth V1から継承したエッジ誘導損失、および不確実性出力について説明しています。このモデルは既知の内部パラメータまたはカメラクラス—Pinhole、Fisheye624—を受け付け、これらを指定した場合は予測をスキップします。

Depth Pro 2の4つのサイズは、Sが24Mパラメータで97 MB、Bが97Mで386 MB、Lが334Mで1.3 GB、H+が872Mで3.5 GBです。設定ファイルはスケーリングを具体的に示しています。SとBはDINOv3 ViT-SおよびViT-Bバックボーンを実行し、ブロック5、7、9、11でフレーム間のアテンションを行います。LはViT-Lを実行し、ブロック9から23でアテンションを行います。H+はViT-H+を実行し、ブロック11から31でアテンションを行います。デコーダ次元は、Sの64からBの128へ、そしてLとH+の両方では256へと倍増します。

A screenshot of the Hugging Face model card for apple/DepthPro2, captured November 20 2026, showing the four size variants with their parameter counts and file sizes.

• パラメータ規模 — UniDepth V2 は3つのViTサイズにまたがりますが、モデルカードに公開されたパラメータ数はありません。Depth Pro 2 は24Mから872Mにわたり、その数値はREADMEに記載されています。

• デフォルトのチェックポイント — Depth Pro 2 は 3.5 GB で H+ をデフォルトとし、UniDepth V2 は選択を呼び出し元に委ねます。

• エクスポート対象 — Depth Pro 2 は Apple ハードウェア向けの Core ML パッケージと、別個の 2350 万パラメータの焦点距離推定器を提供します。UniDepth V2 は ONNX サポートを提供します。

• カメラモデル — UniDepth V2 は Pinhole クラスと Fisheye624 クラスを公開し、既知の内部パラメータを受け付けます。Depth Pro 2 は透視カメラを前提とするか、EXIF を読み取るか、別個のモデルで焦点距離を推定します。

• 不確実性 — UniDepth V2 は信頼度の出力を返しますが、Depth Pro 2 は返しません。

A screenshot of the Hugging Face model card for UniDepth V2, captured November 20 2026, showing the unidepth-v2-vits14, unidepth-v2-vitb14 and unidepth-v2-vitl14 checkpoints.

メートル尺度の系譜は逆方向に延びている

UniDepth V2はメトリック深度設計の改良版であり、論文は、V2の役割がアーキテクチャをよりシンプルかつ効率的にしつつ、エッジ誘導型ローカルSSIによるよりシャープなエッジ、解像度レベル設定による柔軟な入力形状とアスペクト比、より高速な推論、ONNXサポート、新しいカメラモデルを追加することだったと明言している。報告されているゼロショットの数値は、delta-1指標で高いほど良いものとして、NYUv2で98.8、SUN-RGBDで96.4、ETH3Dで85.2、iBims-1で94.5、KITTIで98.9、Nuscenesで87.0、DDADで88.2であり、合計10個のデータセットにわたる。これらはベンダー報告値であり、本記事では再現していない。

Depth Pro 2は、メートルスケールに別の方向から迫っている。元のDepth Proは、ゼロショットのメートル深度に対応する基盤モデルであり、0.3秒で2.25メガピクセルのマップを生成し、単一画像から焦点距離を推定した。Depth Pro 2の貢献はスケールではなく一貫性——鮮明な境界とフレーム間で安定した深度——にある。それについて公開されたdelta-1表はない。プロジェクトページは、勝っていると主張する指標としてBoundary F1とJitterを挙げているが値を示しておらず、引用ブロックは今もarXiv:261X.XXXXXを指したままで、これは論文ではなくプレースホルダーだ。

つまり、この2つのモデルは同じ軸で競合しているわけではありません。UniDepth V2は、強力なゼロショット性能を数値表で示している深度推定器です。Depth Pro 2は、時間的に安定するように作られた深度推定器であり、その根拠はグラフと主張です。評価基準が「調達文書に載せられる数値があるか」であれば、UniDepth V2にはそれがあり、Depth Pro 2にはまだありません。

出力から実際に得られるもの

出力形状の違いは見た目以上に大きい。{{1}}UniDepth V2{{/1}} は、カメラ座標系で既に表現された点群を、それを意味あるものにする内部パラメータと、しきい値を設定できる不確実性チャネルとともに提供する。{{2}}Depth Pro 2{{/2}} は、深度マップに加えて、それが採用した焦点距離を提供する。つまり、3D への変換は自分で書くものであり、自分で間違えるものである。アセットを制作しているなら、{{1}}UniDepth V2{{/1}} は工程を1つ節約する。深度を制作しているなら——マット、AR オクルージョンマスク、フォーカスプル——余分な構造は不要な作業だ。

どちらのモデルも、テクスチャのない面や反射面では深度センサーの代わりにはならない。どちらも視覚的な証拠からスケールを推定しており、同じ理由で同じ箇所が誤ることになる。

ライセンス供与と商業上の課題

UniDepth V2 は非商用の Creative Commons BY-NC 4.0 の下で公開されています。Depth Pro 2 の重みは Apple Machine Learning Research Model ライセンスの下にあり、リポジトリではこれを研究用途限定——非商用の科学研究および学術開発——と定義しています。ライセンスの問題では両者は同じ立場にあります。どちらも製品ライセンスではなく、収益に関わる前に法務との協議が必要です。

違いは、それらを取り巻く環境にあります。UniDepth V2のコードリポジトリはリファレンス実装であり、モデルカードはドキュメントとしてそこを指しています。Depth Pro 2は、コマンドライン、Python API、Macデモアプリを備えたpipでインストール可能なパッケージを提供しており、リポジトリにはモデルを実行するコードは含まれるがトレーニングや評価のコードは含まれないと明示しています。「チームがこれでどれだけ早く生産性を発揮できるか」を評価するなら、Depth Pro 2はその作業の多くを済ませています。

A screenshot of the GitHub repository page for the UniDepth V2 reference implementation, captured November 20 2026, showing the README, the ONNX export notes and the license notice.

実際のシステムでこれがどこに収まるかは、たいてい毎回同じです。深度モデルはパイプライン内の1回の呼び出しにすぎず、コストと脆さが宿るのはその周囲のパイプラインです。OrcaRouter は217モデルを単一のOpenAI互換エンドポイントの背後に用意し、0%のマークアップで—プロバイダーの定価がそのまま適用されます—さらにプロバイダー間の自動フェイルオーバーを追加します。そのため、グレースフルに縮退する必要がある深度ステージでも、2社目のベンダー契約なしでそれが可能です。ルーティングは深度パイプラインの面白い部分ではありませんが、パイプラインが稼働し続けるかどうかを決める部分です。

選び方

深度と幾何をまとめて得たいとき、自分で指定できるカメラモデルがあるとき、そして引用できる数値が必要なときには、UniDepth V2 を選ぶとよい。10データセットでの評価は、どちらのモデルにとっても公開されている中で最も強力な裏付けであり、信頼度の出力は下流で不良予測をフィルタリングするのに実際に役立つ。

サイズダイヤルと動画経路が欲しいなら、Depth Pro 2 を選べばよい。ラップトップで S から始めてサーバーで H+ に移行するのは、Apple が文書化している実際のワークフローであり、焦点距離推定器が独立しているため、カメラソルブを一度実行して再利用できる。ただし、時間的一貫性の設計が効果を発揮するのは動画だけだ。静止画では、決して使わないクロスフレームアテンションのコストを払うことになる。

してはいけないのは、この2つを順位付けした比較を読むことだ。共通のベンチマークは存在せず、各ラボが選んだ指標は、それぞれのラボが得意とする指標である。今日決断が必要なら、決め手となるのは勝者ではなく、出力形式とライセンスだ。