Ett genererat titelkort för Depth Pro 2 vs Depth Anything 3, med en vänsterkolumn som visar metriskt djup i meter, enskild bildruta och video och liveflöde, samt fyra storlekar upp till 872M, och en högerkolumn som visar relativt djup, kameraposer och intrinsiska parametrar, samt fyra storlekar upp till 1,15B, plus en OrcaRouter-logotyp.
Guides & Insights

Depth Pro 2 vs Depth Anything 3: Meter eller kameraposer

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Ställ samma fråga till båda modellerna – hur långt bort är detta? – och bara en av dem svarar i meter. Depth Pro 2, Apples metriska monokulära djupmodell, returnerar en djupkarta i meter längs kamerans betraktningsaxel, plus den brännvidd den använde. Depth Anything 3, ByteDance Seeds grundmodell som släpptes i november 2025, listar "relativt djup" som sin första förmåga, tillsammans med kameraposuppskattning och poskonditionering. Den ger dig djup upp till en okänd skala, och den ger dig kamerorna som gör att skalan kan återställas.

Den där enda skillnaden avgör de flesta integrationer innan noggrannhet ens kommer på tal, och det är anledningen till att en rak benchmarkjämförelse mellan dessa två är mindre användbar än den verkar. De två labben rapporterar olika mätvärden, mot olika baslinjer, och ingen av dem har kört den andras utvärdering. Det som följer är vad varje arkiv faktiskt dokumenterar, med leverantörens påståenden märkta som sådana.

Två olika utdata, en bokstav ifrån varandra

Depth Anything 3:s prediktionsobjekt är den tydligaste platsen att börja med, eftersom det är ovanligt explicit. Ett enda anrop returnerar djup som [N, H, W] float32, en konfidenskarta med samma form, extrinsics som [N, 3, 4] värld-till-kamera-matriser och intrinsics som [N, 3, 3]. Exporter går till GLB, NPZ, PLY, mini-NPZ, Gaussian-splat PLY eller en Gaussian-splat-video.

Depth Pro 2:s utdata är snävare och mer omedelbart användbara om svaret du behöver är ett tal. Den returnerar en djupkarta i meter, en brännvidd i pixlar och – i kommandoradsverktygets NPZ-utdata – dessa två arrayer och inget annat. Konverteringen till ett punktmoln lämnas åt dig, med brännvidden och bildens centrum som huvudpunkt, eller din verkliga huvudpunkt om kameran är kalibrerad.

• Skala — Depth Pro 2:s utdata är metriska; Depth Anything 3:s djup är relativt, med skalan återvunnen från kameraposen och kameraintrinsikerna som den också returnerar.

• Kameraparametrar – Depth Anything 3 predikterar extrinsiska och intrinsiska parametrar; Depth Pro 2 predikterar endast brännvidden och har inget begrepp om var kameran befinner sig.

• Konfidens – Depth Anything 3 returnerar en konfidenskarta per pixel; Depth Pro 2 returnerar ingen.

• Indata – Depth Pro 2 tar en bild, en videofil eller en direktkameraström; Depth Anything 3 tar en lista med bilder som en vyuppsättning.

• Licens — Vikterna för Depth Pro 2 är endast avsedda för forskning enligt Apple Machine Learning Research Model-licensen; Depth Anything 3 är Apache 2.0 vid 0,08B och 0,12B, CC BY-NC 4.0 vid 0,35B och 1,15B.

De fyra storlekarna stämmer inte överens

Båda familjerna publicerar fyra checkpoints, och parameterantalen ligger på nästan samma nivåer, vilket gör det frestande att jämföra dem en mot en. Motstå den frestelsen.

Depth Anything 3 publicerar 0,08B, 0,12B, 0,35B och 1,15B – 34,3M, 135,4M, 410,9M och 1 355,7M parametrar enligt safetensors-metadata. Depth Pro 2 publicerar 24M, 97M, 334M och 872M. De två minsta Depth Pro 2-storlekarna är betydligt mindre än deras motsvarigheter i Depth Anything 3, och den största är betydligt mindre än DA3 Giant.

Licenserna följer samma uppdelning som storlekarna, och det här är detaljen som spelar roll kommersiellt: Depth Anything 3:s två små checkpoints har Apache 2.0, och dess två stora har CC BY-NC 4.0. Depth Pro 2:s fyra ligger alla under samma forskningslicens, i repot definierad som icke-kommersiell vetenskaplig forskning och akademisk utveckling. Så om du överhuvudtaget behöver en kommersiellt licensierbar djupmodell är Depth Anything 3-Small eller -Base det enda alternativet i den här jämförelsen, och Depth Pro 2 är inte det oavsett storlek.

Depth Anything 3 har också en 1.1-revision, DA3-GIANT-1.1 och DA3-LARGE-1.1, med samma parameterantal som originalen och repositorier skapade den 11 december 2025. Det ursprungliga GIANT-kortet beskriver 3D-gaussisk skattning som en ytterligare förmåga som de stora storlekarna har, så exportytan är bredare än enbart djup.

Vad varje labb hävdar, och mot vad

Depth Anything 3:s kort framför två jämförande påståenden och anger baslinjerna för båda: det överträffar betydligt Depth Anything 2 för monokulär djupestimering, och VGGT för multivy-djup och pose-estimering. Det är specifika, falsifierbara påståenden om namngivna modeller, och de detaljerade siffrorna finns i artikeln snarare än i kortet.

Depth Pro 2:s kort gör ett påstående och anger sin baslinje endast som "tidigare arbete som arbetar med en enskild bildruta eller flera bildrutor". Det rapporterar att Depth Pro 2 överträffar den uppsättningen på Boundary F1 och Jitter, i genomsnitt över dataseten Sintel och Spring, och illustrerar det med ett spridningsdiagram över dessa två mätvärden, där axlarna går från 0 till 0,3 för Boundary F1 och från 0,1 ned till 0 för Jitter.

The sharpness-versus-temporal-consistency scatter from 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 lower on the jitter axis, averaged over Sintel and Spring.

Depth Anything 3 finns i det diagrammet – som DA3-NGL, en av flerbildsbaslinjerna med öppen cirkel som ligger på ungefär 0,06 Boundary F1 och 0,018 jitter. Så en jämförelse finns, men bara på Apples två mätvärden, medelvärdesberäknade över Sintel och Spring, utan att några djupvärden för Depth Anything 3 anges bredvid. ByteDances egen jämförelseuppsättning är Depth Anything 2 och VGGT, på de mätvärden ByteDance valde, och DA3-NGL diskuteras inte där. De två uppsättningarna möts inte: vilket kort du än läser valde det andra labbet axlarna, och ingen av dem publicerade en gemensam tabell.

Det är inte ett sätt att undvika att utse en vinnare. Det är vad evidensen faktiskt visar, och det är värt att sägas rakt ut, eftersom alternativet – att välja vilket leverantörsdiagram som än smickrar den modell du redan föredrar – är hur dåliga upphandlingsbeslut fattas.

Konsekvent video är Apples hela argument

Depth Pro 2 finns på grund av en specifik svaghet hos monokulärt djup: kör en per-bildruta-modell på video och djupet flimrar, eftersom varje bildruta uppskattas utan kunskap om sina grannar. Apples lösning är arkitektonisk. Modellen är en multi-view-transformer över indatabildrutorna, och efter den första tredjedelen av dess block växlar attention mellan inom bildrutan och mellan bildrutor. En per-bildruta DPT-dekoder sätter sedan samman tokens från flera block till feature maps vid en trettioandra del till en fjärdedel av indataupplösningen.

The architecture diagram from the Depth Pro 2 model card showing a multi-view transformer processing input frames jointly, followed by a DPT decoder producing an inverse depth map per frame, with numbered annotations for alternating within-frame and across-frame attention and multi-scale decoder feature maps.

Driftlägena följer av det. Buffrat läge, standard för videofiler, bearbetar klipp om 16 bildrutor som överlappar med fyra så att djupet förblir stabilt över klippgränser. Obuffrat läge förutsäger varje bildruta när den anländer utifrån den bildrutan och de 15 före den, för kameraanvändning, med den dokumenterade varningen att de första bildrutorna i en ström har färre föregångare och därför mindre stabilt djup. En video får en brännvidd över alla bildrutor – medianen av uppskattningarna över det första fönstret.

Depth Anything 3 hanterar flera vyer gemensamt genom design, eftersom det är vad en vyuppsättningsmodell gör, men dess inramning är rekonstruktion snarare än stabilisering. Kortets språk handlar om att återvinna visuellt rum från valfria vyer, och utdata – extrinsiker, intrinsiker, punktkartor, Gaussiska splats – är språket för en 3D-rekonstruktionspipeline. Om ditt problem är "den här videon flimrar" har Depth Pro 2 ett läge för det och Depth Anything 3 har en annan produkt.

Att få djupet i meter på endera sättet

Depth Anything 3:s relativa djup är inte så mycket en begränsning som en arbetsfördelning: modellen ger dig kamerorna, och det är kamerorna som omvandlar relativt djup till meter. Den omvandlingen är verkligt arbete – en skalfaktor per scen, utifrån en känd baslinje, en känd objektstorlek eller en sensor – och det är samma arbete som Depth Pro 2 redan har utfört internt.

Depth Pro 2:s metriska utdata har sina egna felmoder, och de är dokumenterade. Djupet skalar med brännvidden, så en brännvidd som är 10 procent för lång placerar allt 10 procent för långt bort. Himmelpixlar returneras som oändligt djup, eller, särskilt på de mindre modellerna, som ett ändligt djup på flera kilometer, så README säger att du ska klippa intervallet innan du bygger ett punktmoln eller en färgbild. I Python normaliseras inverterat djup med brännvidden och är lika med focallength_px / (width * depth). En ström tillhör en video och behåller sina senaste bildrutor och sin brännvidd tills du öppnar en ny.

Ingen av modellerna ersätter en djupavkänningssensor på en texturlös eller reflekterande yta. Båda härleder skalan från visuella bevis, och båda kommer att misslyckas på samma typer av platser av samma typer av skäl.

Vad det kostar att köra båda

Den praktiska skillnaden ligger i beroendegrafen. Depth Pro 2 installeras som ett Python-paket från GitHub-repositoriet med uv, exponerar ett kommandoradsgränssnitt (uv run depth-pro-2 predict -i photo.jpg -o out/) och ett Python-API samt levereras med Core ML-exporter för Apple silicon plus en Mac-demоapp. Repositoriet anger uttryckligen att det innehåller kod för att köra modellerna men inte tränings- eller utvärderingskod.

Depth Anything 3 installeras som ett redigerbart paket från ByteDance Seeds kodförråd och tillhandahåller ett CLI (da3 auto path/to/images --export-format glb) med en valfri backend-process för upprepad inferens, vilket är den typ av detalj som bara framträder när någon kör det i en slinga.

Båda är forskningscheckpoints med ett enda syfte, och ingen av dem är något du routar. Det som ligger runt ett djupsteg är språkmodellsarbete – att beskriva en scen, besluta vad man ska göra åt den, skriva ner resultatet – och det är där en enda slutpunkt motiverar sin plats: OrcaRouter placerar över 200 hostade modeller bakom ett OpenAI-kompatibelt API med 0 % påslag över leverantörens listpris, så resonemangsstegen runt din djupmodell är en nyckel och en faktura. Djupcheckpointen förblir ett beroende du låser; pipelinen runt den behöver inte vara det.

Vilken ska man börja med?

Börja med Depth Anything 3 om du rekonstruerar en scen från flera vyer och vill ha kamerorna, punktkartorna och Gaussian-splatserna i ett enda anrop, och om en Apache 2.0-licens för de små storlekarna är det som gör projektet möjligt överhuvudtaget. Dess jämförelseuppsättning är namngiven, dess utdata är breda, och de små checkpoints är de enda kommersiellt licensierbara sakerna i den här artikeln.

Börja med Depth Pro 2 om svaret du behöver är ett avstånd i meter från en enskild bildruta eller en live-ström, och om stabilitet mellan bildrutor är den egenskap som din applikation inte klarar sig utan. Räkna med att behöva klippa himmelsdjupet, att avsiktligt låsa brännvidden och att vara tidig — kodförråden har nedladdningar i tiotal, koden har en enda commit och den tekniska rapporten är fortfarande en platshållare.

Det som varken modell ger dig är ett försvarbart påstående att den slår den andra, eftersom inget av labben körde testet. Välj utifrån utdataformat, licens och huruvida din indata är en video. De tre frågorna har svar i dag; topplistan har det inte.

A generated two-column scoreboard comparing Depth Pro 2 and Depth Anything 3 across six dimensions: depth type, camera parameters, video handling, largest model size, licence and published numbers, with a footer noting that no shared benchmark exists.