Сгенерированная титульная карточка с заголовком Depth Pro 2 vs MoGe-2, набранным крупным тёмным геометрическим шрифтом, и подзаголовком «Две метрические модели глубины, два несовместимых табло» под ним, над тонкой сине-голубой градиентной полосой.
Guides & Insights

Depth Pro 2 против MoGe-2: согласованность видео против карт точек

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Depth Pro 2 и MoGe-2 — обе являются метрическими монокулярными моделями геометрии от крупных исследовательских лабораторий, и на момент написания этого текста никто не опубликовал цифр, позволяющих напрямую сравнить одну с другой. Depth Pro 2 от Apple сообщает Boundary F1 и Jitter, усреднённые по наборам данных Sintel и Spring. MoGe-2 от Microsoft сообщает относительную точность геометрии, метрический масштаб и сохранение деталей на собственном наборе оценок. Эти два набора метрик не пересекаются, а значит, любое утверждение вида «X превосходит Y», которое вы найдёте про эту пару, либо выдумано, либо заимствовано из бенчмарка, который не проводила ни одна из этих лабораторий.

Это не уклонение. Это самое полезное, что стоит знать, прежде чем потратить неделю на интеграцию любого из них. Сравнивать можно то, что каждый репозиторий реально поставляет, в чём каждая модель заведомо слаба и какие из этих слабостей ударят именно по вашему пайплайну. В этой статье это и делается — и прямо указывается, какие утверждения взяты из README поставщика, а какие не подкреплены вообще ничем.

Что на самом деле содержит каждый репозиторий

Depth Pro 2 размещён в нескольких репозиториях Hugging Face, а не в одном. Репозиторий карточки, apple/DepthPro2, содержит README и иллюстрации; веса разделены по размеру на apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L и apple/DepthPro2-H. Отдельный репозиторий, apple/DepthPro2-focal, содержит автономный оценщик фокусного расстояния с 23,5 млн параметров, который загружается вместе с любым размером. Ещё один, apple/DepthPro2-coreml, содержит экспорты Core ML для Apple silicon. Репозиторий кода — apple-aiml-research/ml-depth-pro-2 на GitHub.

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.

Четыре размера варьируются от 24 млн параметров при 97 МБ (S) через 97 млн при 386 МБ (B) и 334 млн при 1,3 ГБ (L) до 872 млн при 3,5 ГБ (H+, используется по умолчанию). Их конфигурации подтверждают принадлежность к одному семейству: S и B используют магистральные сети DINOv3 ViT-S и ViT-B с межкадровым вниманием в блоках 5, 7, 9 и 11; L расширяет это до блоков с 9 по 23 с 256-мерным декодером DPT; H+ доходит до блоков с 11 по 31 и собирает токены в блоках 7, 15, 23 и 31.

MoGe-2 поставляется в виде четырёх чекпоинтов в организации Ruicheng: moge-2-vitl с 326 млн параметров без нормалей и варианты -normal — moge-2-vitl-normal с 331 млн, moge-2-vitb-normal с 104 млн и moge-2-vits-normal с 35 млн. Каждый возвращает метрическую карту точек в координатах камеры OpenCV, карту глубины, нормализованные внутренние параметры камеры и маску валидных пикселей, а в вариантах с нормалями дополнительно добавляется карта нормалей. MoGe-2 — второе поколение; с тех пор семейство перешло к MoGe-3, анонсированному 18 августа 2026 года с моделью ViT-g на 1,25 млрд параметров, так что теперь MoGe-2 является предыдущим релизом, а не текущим.

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.

Где расходятся два дизайна

• Тип входных данных — Depth Pro 2 принимает одну фотографию, видеофайл или поток с камеры в реальном времени; MoGe-2 принимает одно изображение.

• {{1}}Заявление в заголовке{{/1}} — Depth Pro 2 заявляет о резкости и временной согласованности; MoGe-2 — о метрическом масштабе и мелких деталях, достигаемых с помощью единого этапа уточнения данных, который использует резкие синтетические метки для фильтрации и дополнения реальных обучающих данных.

• Выходные данные — Depth Pro 2 возвращает глубину в метрах плюс использованное фокусное расстояние; MoGe-2 возвращает полную карту точек, глубину, внутренние параметры и маску, а также нормали в тех вариантах, где они предусмотрены.

• Фокусное расстояние — Depth Pro 2 поставляется с отдельным оценщиком, а также может читать EXIF или принимать известное фокусное расстояние в пикселях; MoGe-2 может использовать угол обзора в качестве опциональной эталонной величины для повышения точности.

• Масштаб — MoGe-2 добавил реальный метрический масштаб по сравнению с MoGe-1, который выдавал аффинно-инвариантные карты точек с неизвестным масштабом; Depth Pro 2 наследует метрический масштаб от исходного Depth Pro.

• Лицензия — веса Depth Pro 2 распространяются по лицензии Apple Machine Learning Research Model и предназначены только для исследовательского использования, определяемого как некоммерческие научные исследования и академическая разработка. Код MoGe-2 распространяется под лицензией MIT, а входящий в комплект DINOv2 — под Apache 2.0.

Видеовопрос — это весь аргумент.

Отличительное архитектурное решение Depth Pro 2 заключается в том, что мультивидовой трансформер обрабатывает один или несколько кадров совместно, а после первой трети своих блоков чередует внимание внутри каждого кадра и внимание между кадрами. Затем декодер DPT предсказывает карту обратной глубины для каждого кадра. Это та самая механика, стоящая за показателем Jitter — метрикой временной согласованности, — и именно поэтому у модели вообще есть видеоистория.

На практике это означает два режима работы. Режим по умолчанию, буферизованный, обрабатывает фрагменты из 16 кадров с перекрытием в четыре, что обеспечивает стабильность глубины в местах стыка фрагментов; параметры окна и перекрытия задают длину фрагмента и величину перекрытия. Небуферизованный режим предсказывает каждый кадр по мере его поступления, используя этот кадр и 15 предыдущих; это режим, который нужен для камеры. Документация Apple откровенно говорит о цене режима реального времени: у первых кадров потока меньше предыдущих кадров, на которые можно опираться, поэтому их глубина менее стабильна. Для видео используется одно фокусное расстояние для всех его кадров, взятое как медиана оценок по первому окну.

У MoGe-2 нет аналогов. Это модель для одиночных изображений, и её запуск на видео означает покадровую обработку и принятие любого мерцания, которое при этом возникает. Для задачи статической реконструкции — фотограмметрии, конвейера создания 3D-ассетов из статичных снимков, да и вообще всего, где каждый кадр независим, — это вовсе не ограничение. А для робота или AR-наложения это разница между пригодностью и непригодностью.

Что означает «metric» в каждом выводе

Обе модели утверждают, что работают в метрах, и обе немного по-разному обходятся с этим словом. Depth Pro 2 возвращает расстояние вдоль направления обзора камеры — координату z — а не расстояние по прямой от камеры. Она также нормирует обратную глубину по фокусному расстоянию, так что обратная глубина равна фокусному расстоянию в пикселях, делённому на произведение ширины изображения и глубины. Пиксели неба возвращаются как бесконечная глубина или, особенно на меньших моделях, как конечная глубина в несколько километров, и эту деталь стоит обработать перед построением облака точек.

MoGe-2 напрямую возвращает карту точек, что обходит это преобразование. Это более полезный выход, если вы всё равно переходите в 3D, и именно поэтому модель сообщает внутренние параметры камеры вместе с глубиной — карта точек имеет смысл только в системе координат камеры, которую вы также знаете. Ни один из этих выходов не заменяет реальный датчик глубины, когда в сцене нет текстуры для привязки масштаба; оба выполняют оценку, и оба будут дрейфовать на отражающих или прозрачных поверхностях.

Лицензирование — это решение, а не бенчмарк

Ни одна из моделей не может использоваться в коммерческих целях в поставляемом виде, но ограничения различаются, и это существенно для юридической проверки. Веса Depth Pro 2 распространяются по лицензии Apple Machine Learning Research Model, которая разрешает использование исключительно в исследовательских целях, при этом в репозитории это определяется как некоммерческие научные исследования и академическая деятельность по разработке. Код лицензируется отдельно, и в репозитории указано, что он основан на TIMM и DINOv3.

Код MoGe-2 распространяется по лицензии MIT, что близко к отсутствию обременений, хотя для весов в карточке модели не указаны отдельные условия, а встроенный код DINOv2 распространяется по Apache 2.0. Если ваш вопрос — «могу ли я поставлять это в составе продукта», честный ответ в обоих случаях таков: вам нужно поговорить с юристами, причём разговор про MoGe-2 будет короче. Если ваш вопрос — «могу ли я опубликовать с этим статью», оба варианта подходят.

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.

О чём должны говорить вам пропущенные числа

Технического отчёта Depth Pro 2 пока не существует. В блоке цитирования репозитория по-прежнему указано arXiv:261X.XXXXX, и эти X — не цензурное сокращение, а незаполненный заполнитель. На странице проекта перечислены метрики, в которых он, как утверждается, побеждает, — Boundary F1 и Jitter, — и не названо ни одного базового решения; там говорится лишь о «предшествующих работах, оперирующих одним кадром или несколькими кадрами» и о «базовых решениях с настройками по умолчанию».

У MoGe-2 есть настоящая статья, arXiv 2507.02546, но её аннотация столь же лишена цифр; оценка отложена до отдельного документа. Так что таблицы сравнения, на которую вы, вероятно, надеялись, нет ни с одной стороны, и любая статья, которая её вам предлагает, цитирует показания графика.

Что стоит учитывать, оценивая стоимость остальной части стека. Модель глубины — это лишь один этап конвейера, который также должен описать сцену, решить, что с ней делать, и куда-то записать результат, — а эти этапы представляют собой вызовы языковых моделей, цены на которые публикуются и поддаются прямому сравнению. Это аргумент в пользу того, чтобы разместить их за одним API, а не за тремя: OrcaRouter маршрутизирует 217 моделей по одному ключу с наценкой 0%, то есть каталожная цена провайдера передаётся без изменений, поэтому снижение цены поставщиком вступает в силу в тот же день, а не тогда, когда агрегатор выполнит повторную синхронизацию. Автоматическое переключение при сбое между провайдерами важно по той же причине, только в обратном смысле — если именно этап рассуждений должен оставаться доступным, вы хотите, чтобы задача по глубине была единственной в конвейере, чему разрешено тихо давать сбой.

Какой из них выбрать?

Если у вас есть видео и вам важна мерцаемость, Depth Pro 2 — единственный из этих двух, у кого есть ответ, и этот ответ — настоящая архитектура: межкадровое внимание, перекрывающиеся окна, живой режим с задокументированным штрафом за разогрев. Начните с S на ноутбуке, как предлагает сама документация Apple, и переходите выше только тогда, когда края недостаточно резкие.

Если у вас есть статические изображения и вам нужна карта точек, MoGe-2 даёт больше выходной поверхности за вызов, а варианты с нормалями дают второй сигнал, который иначе пришлось бы оценивать. Его метрический масштаб — это улучшение по сравнению с MoGe-1, и оно сохраняется.

Ни то, ни другое не даёт вам обоснованного утверждения, что оно лучше другого, потому что ни одна из лабораторий не проводила этот эксперимент. Рассматривайте эту пару как два разных инструмента с пересекающимися названиями, а не как ранжированный список, пока кто-нибудь не опубликует цифры.