生成されたタイトルカード。大きな濃色の幾何学的書体で「Depth Pro 2 vs VGGT」を見出しとし、その下に副題「測定か再構成か」、さらにその下に細い青からシアンへのグラデーションバーを配置している。
Engineering & Research

Depth Pro 2 対 VGGT:メトリック深度か、それともマルチビュー幾何学か

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

スマートフォンを部屋に向け、その周りを歩きながら40秒間の動画を撮影する。2つのモデルはそれを幾何情報に変換できるが、その幾何情報が何であるかについては一致しない。Appleのメートル尺度の単眼深度モデルであるDepth Pro 2は、各フレームの各ピクセルについて、焦点距離が付随したメートル単位の深度値を返す。VGGT — Meta AI Researchとオックスフォード大学のVGGグループによるVisual Geometry Grounded Transformerで、CVPR 2025で発表された — は、ビュー全体の集合に対して、カメラの外部パラメータと内部パラメータ、ポイントマップ、深度マップ、3Dポイントトラックを一度に返す。

そうした出力のうち、一方は測定値であり、もう一方は再構成です。どちらを選ぶかは、どちらがより正確かという問題ではありません。なぜなら、2つのモデルは異なる問いに答えているのであり、あなたが必要とする答えは、パイプライン内でそのモデルの後に何が続くかによって決まるからです。

各モデルが何をするために作られたか

VGGTは、1枚、数枚、または数百枚のビューから、シーンの主要な3D属性をすべて数秒以内に推論するフィードフォワードネットワークです。売りは共同推定にあります。フレームごとに深度モデルを実行し、その後、別個のStructure-from-Motion段階でカメラポーズを解くのではなく、VGGTはポーズ、内部パラメータ、深度、点トラックを単一パスで生成し、各ビューが互いにアテンションを向けます。だからこそ「数百枚のビュー」という主張が重要です。これは写真測量パイプラインへの追加ではなく、置き換えなのです。

Depth Pro 2は単眼のメートル法深度推定器であり、重要な役割を果たす言葉は「メートル法」です。その出力はカメラの視線方向に沿ったメートル単位の深度マップで、単一画像から計算され、カメラのメタデータは不要です——モデルはEXIFから焦点距離を読み取ることも、ピクセル単位で指定した焦点距離を受け入れることも、独自のリポジトリとして提供される別個の2350万パラメータ推定器で焦点距離を予測することもできます。また動画も扱います。これが「2」の由来です。マルチビュートランスフォーマーがフレームを共同で処理し、ブロックの最初の3分の1以降は各フレーム内とフレーム間でアテンションを交互に切り替え、DPTデコーダーがフレームごとに逆深度マップを出力します。

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.

• 作業単位 — VGGT は複数のビューを受け取り、Depth Pro 2 は写真、動画、またはライブフィードを受け取ります。

• 主な出力 — VGGT はカメラパラメータ、ポイントマップ、深度マップ、3D ポイントトラックを生成し、Depth Pro 2 はメートル基準の深度と使用した焦点距離を生成します。

• カメラソルブ — VGGT はジョイント問題の一部としてこれを推定します。Depth Pro 2 は外部パラメータなしで焦点距離を読み取り、受け入れるか、予測します。

• スケール — Depth Pro 2 の主要な出力はメートル単位です。VGGT のモデルカードはカメラパラメータ、ポイントマップ、深度、トラックを説明しており、メートルスケールを主張していません。

• リリース — VGGT は CVPR 2025 で発表されました(arXiv 2503.11651)。Depth Pro 2 のリポジトリは 2026 年 11 月に作成され、テクニカルレポートはまだ公開待ちです。

規模の問題がほとんどのデプロイを左右する

テーブルが0.74メートル先にあると知る必要がある場合、VGGTはそれを直接教えてくれませんが、Depth Pro 2は教えてくれます。これが議論全体を一文で表したものであり、その理由を正確に述べておく価値があります。

Depth Pro 2 のメトリック深度に関する主張は、偶発的なものではなくアーキテクチャに由来します。元の Depth Pro は、ゼロショットのメトリック深度の基盤モデルとして構築され、リポジトリではその規約が明示されています。すなわち、深度は動径距離ではなく視線方向に沿った z 座標であり、逆深度は焦点距離で正規化され、焦点距離が10パーセント長すぎると、すべてが10パーセント遠くに配置されます。これらは、出力が測定値として読まれることを意図したモデルの規約であり、Depth Pro 2 は4つすべてのサイズでそれらを変更せずに継承しています。

VGGT の出力は幾何学的です。カメラの外部パラメータ、内部パラメータ、ポイントマップ、ポイントトラックは内部的に整合しており、再構成は大域的な相似変換までは正しく、そこから絶対スケールを復元するのは別のステップで、通常はシーン内の既知の参照物を伴います。新規視点合成、3D アセット、視聴者に合わせてシーンを再スケーリングするあらゆる用途では、それは問題なく、しばしば好ましいことです。障害物が1メートル先か3メートル先かを知る必要があるロボットにとっては、モデルの外側で解決しなければならない問題です。

Depth Pro 2 にも、ここでは独自の「正直さ」の問題がある。空のピクセルは無限の深度として返ってくる。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ってくるため、その出力から単純に点群を構築すると、空の部分に偽の遠方ジオメトリの壁ができてしまう。README には、点群やカラー画像を作成する前に深度範囲をクリップするよう書かれているが、これは誰かが実際に痛い目に遭った後でしか現れない類の指示である。

動画の一貫性こそが本当の貢献です

Depth Pro 2は、より優れたDepth Proというよりも、時間的に安定化されたものであり、その仕組みは完全にアテンションパターンにある。最初の3分の1のブロックの後、トランスフォーマーは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い、DPT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1/32から1/4の特徴マップに組み立てる。その交互配置の要点はJitter — 時間的一貫性の指標 — であり、プロジェクトページではSintelデータセットとSpringデータセットで平均したBoundary F1とともにそれを報告し、Depth Pro 2が単一フレームまたは複数フレームで動作する先行研究をその両方で上回ると主張している。

その主張には数値が一切添えられておらず、ベースラインも名指しされていない。ページが言及しているのは「単一フレームまたは複数フレームを扱う先行研究」と「デフォルト設定のベースライン」だけで、引用ブロックには arXiv:261X.XXXXX とある。これはプレースホルダーであり、論文ではない。Depth Pro 2 の Boundary F1 や Jitter の数値を引用している人は、それをチャートから読み取っているにすぎない。

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.

Depth Pro 2の動作範囲は、その動画フレーミングから連想されるよりも狭く、その狭さは文書化されている。デフォルトモードは4フレームのオーバーラップ付きで16フレームのクリップを消費し、ライブパスでは各フレームを先行する15フレームと突き合わせる。つまり、どのストリームでも最初の1秒が最も不安定な1秒になる。動画全体には1つの焦点距離が適用され、それは冒頭ウィンドウの中央値として選ばれる。そのため、ズームするクリップでは、1フレーム分の焦点推定値が全フレームに適用されることになる。メモリは再生時間ではなくフレームサイズとウィンドウに比例し、メモリ不足の動画に対するAppleの対処法は、モデルを縮小する前にウィンドウを短くすることだ。

VGGTには同等のモードはありません。必要がないからです。VGGTはすでにビューセット全体を共同で扱っており、これは同じ保証のより強力な形です — 数百のビューにわたるアテンションを扱える余裕があり、アプリケーションがフレームごとの深度読み取りではなく再構成を求める場合に限ります。

サイズ、エクスポート、そして実際に実行するもの

Depth Pro 2 は、公開されている数値として4つのサイズを提供しています。S は 24M パラメータで 97 MB、B は 97M で 386 MB、L は 334M で 1.3 GB、H+ は 872M で 3.5 GB です。H+ がデフォルトで、S はラップトップ向けに推奨されています。設定ファイルはファミリー構造を示しており、小さい2モデルでは DINOv3 ViT-S と ViT-B バックボーンがブロック 5、7、9、11 でアテンションし、ViT-L はブロック 9 から 23、ViT-H+ はブロック 11 から 31 でアテンションし、デコーダ次元は 64、128、256、256 です。Apple silicon 向けの Core ML エクスポートは別リポジトリとして提供され、コードリポジトリにはカメラからのライブ深度用の Mac デモアプリが含まれています。

VGGT-1Bは単一の10億パラメータのチェックポイントであり、その後ファミリーは次へと進みました。VGGT-Omegaは2026年5月18日に「VGGTの次のステップ」としてリリースされ、商用チェックポイントVGGT-1B-Commercialはオリジナル版と並んで存在し、Co3DにおけるAUC@30はオリジナル版の89.98に対して90.37です。これはモデルカードに記載された唯一のベンチマーク数値であり、しかもごくわずかな差です。VGGT-1Bは本稿執筆時点で748,148ダウンロードを記録しており、これは研究コミュニティがベースラインとしてどれほど広く採用したかを物語っています。

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は正反対の話です。4つのチェックポイントのダウンロード数は数十回で、リポジトリは2026年11月初旬に作成され、カードリポジトリに付いているいいねはほんの数個だけです。公開されたものの、まだ注目されていないモデルです。導入を決める前に知っておく価値があります。バグに遭遇したら、issueを報告するのはあなた自身になります。

ライセンシングと商業上のチェックポイント

VGGT-1BはCC BY-NC 4.0で、非商用です。興味深い点はVGGT-1B-Commercialの存在です。Metaが商用ライセンス可能なバリアントを提供したということで、ライセンス交渉なしに研究から製品への道筋が存在することを意味します。Depth Pro 2の重みはApple Machine Learning Research Modelライセンスの下にあり、研究利用のみで、リポジトリでは非商用の科学的研究および学術開発活動と定義されています。

どちらのライセンスも、オープンチェックポイントに対する製品ライセンスではありません。違いは、VGGTのファミリーには商用オプションが含まれているのに対し、Depth Pro 2にはそれがなく、収益を目的に開発しているなら、この2つのうち一方には扉があり、もう一方には壁があるということです。

これは、どの本番パイプラインでも1つ上のレイヤーで現れるのと同じ計算だ。再構成モデルは1回の呼び出しにすぎず、その周囲には、シーンを読み取り、何をするかを決め、それを書き出す部分がある——言語モデルの仕事で、そこではベンダーが価格を提示し、アグリゲーターがそれをそのまま通すか通さないかになる。OrcaRouterの売りは、217モデルに対して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ることだ。これが最も効いてくるのはまさにここである。ジオメトリ段階が、ダウンロード数が一握りでリリースサイクルもない研究用チェックポイントである場合、パイプラインの残りは退屈で冗長な部分であってほしい。

誰がどれから始めるべきか

多くのビューからシーンを再構築し、スケールは後工程で扱うのであれば、VGGTから始めましょう — 新規ビュー合成、3Dアセット、ジオメトリそのものが成果物となる動画から構築するデータセットなどです。カメラとジオメトリの同時求解こそが、10億パラメータに値する理由であり、新規に始めるならVGGT-Omegaが現行世代です。

単一フレームからメートル単位の深度が必要な場合、あるいはライブフィードでフレーム間の深度を安定させたい場合は、Depth Pro 2 から始めてください。サイズ調整ダイヤルは実際に存在し、ラップトップでのワークフローも文書化されています。空の深度がクリップされること、ほとんどのバグを最初に報告する人になること、そして Boundary F1 の数値を誰かに引用できるようになる前に技術レポートを待つことを、覚悟しておいてください。

これを直接対決として扱うべきではない。VGGTは再構築し、Depth Pro 2は測定する。そして正直な比較は、下流のコードがどちらを利用できるかという点だけだ。ほとんどの3Dパイプラインでは答えはVGGTとスケール復元ステップであり、ほとんどのロボティクスおよびARパイプラインではDepth Pro 2とスモークテスト向けのロバスト性予算だ。