การ์ดชื่อเรื่องที่สร้างขึ้นสำหรับ Depth Pro 2 กับ Depth Anything 3 โดยคอลัมน์ซ้ายแสดงความลึกแบบเมตริกในหน่วยเมตร เฟรมเดียว วิดีโอ และฟีดสด พร้อมสี่ขนาดสูงสุดถึง 872M และคอลัมน์ขวาแสดงความลึกแบบสัมพัทธ์ ท่าทางกล้องและพารามิเตอร์ภายในกล้อง พร้อมสี่ขนาดสูงสุดถึง 1.15B รวมถึงโลโก้ OrcaRouter
Guides & Insights

Depth Pro 2 เทียบกับ Depth Anything 3: หน่วยเมตรหรือท่าทางกล้อง

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ถามทั้งสองโมเดลด้วยคำถามเดียวกัน — สิ่งนี้อยู่ไกลแค่ไหน — และมีเพียงโมเดลเดียวเท่านั้นที่ตอบเป็นหน่วยเมตร Depth Pro 2 ซึ่งเป็นโมเดลความลึกแบบโมโนคิวลาร์เชิงเมตริกของ Apple จะคืนค่า�าแผนที่ความลึกเป็นหน่วยเมตรตามแกนมองของกล้อง พร้อมทั้งความยาวโฟกัสที่โมเดลใช้ Depth Anything 3 ซึ่งเป็นโมเดลพื้นฐานจาก ByteDance Seed ที่เปิดตัวในเดือนพฤศจิกายน 2025 ระบุว่า "ความลึกสัมพัทธ์" เป็นความสามารถแรก ควบคู่ไปกับการประมาณท่าทางกล้องและการกำหนดเงื่อนไขด้วยท่าทางกล้อง โดยให้ความลึกของคุณในระดับสเกลที่ไม่ทราบค่า และให้กล้องที่ทำให้สเกลนั้นสามารถกู้คืนได้

ความแตกต่างเพียงอย่างเดียวนั้นเป็นตัวตัดสินการผสานรวมส่วนใหญ่ก่อนที่ความแม่นยำจะเข้ามาเกี่ยวข้อง และเป็นเหตุผลว่าทำไมการเปรียบเทียบ benchmark แบบตรง ๆ ระหว่างสองสิ่งนี้จึงมีประโยชน์น้อยกว่าที่ดูเหมือน สองแล็บรายงานตัวชี้วัดที่แตกต่างกัน โดยเทียบกับ baseline ที่แตกต่างกัน และไม่มีฝ่ายใดได้รันการประเมินของอีกฝ่าย สิ่งที่ตามมาคือสิ่งที่แต่ละ repository เอกสารไว้จริง โดยระบุข้อกล่าวอ้างของผู้จำหน่ายว่าเป็นข้อกล่าวอ้างของผู้จำหน่ายตามนั้น

ผลลัพธ์ที่แตกต่างกันสองแบบ ต่างกันเพียงตัวอักษรเดียว

ออบเจ็กต์ผลลัพธ์ของ Depth Anything 3 เป็นจุดเริ่มต้นที่ชัดเจนที่สุด เพราะมีความชัดเจนเป็นพิเศษ การเรียกเพียงครั้งเดียวจะคืนค่า depth เป็น [N, H, W] float32, แผนที่ความเชื่อมั่นที่มีรูปร่างเดียวกัน, extrinsics เป็นเมทริกซ์ world-to-camera [N, 3, 4] และ intrinsics เป็น [N, 3, 3] การส่งออกจะไปยัง GLB, NPZ, PLY, mini-NPZ, Gaussian-splat PLY หรือวิดีโอ Gaussian-splat

เอาต์พุตของ Depth Pro 2 แคบกว่าและใช้งานได้ทันทีมากกว่าหากคำตอบที่คุณต้องการคือตัวเลข โดยจะคืนค่าแผนที่ความลึกเป็นหน่วยเมตร ความยาวโฟกัสเป็นหน่วยพิกเซล และในเอาต์พุต NPZ ของ команд line จะมีเพียงสองอาร์เรย์นี้เท่านั้น การแปลงเป็นพอยต์คลาวด์เป็นหน้าที่ของคุณ โดยใช้ความยาวโฟกัสและจุดศูนย์กลางภาพเป็นจุดหลัก หรือใช้จุดหลักจริงของคุณหากกล้องได้รับการปรับเทียบแล้ว

• มาตราส่วน — เอาต์พุตของ Depth Pro 2 เป็นหน่วยเมตริก ส่วนความลึกของ Depth Anything 3 เป็นแบบสัมพัทธ์ โดยกู้คืนมาตราส่วนจากพารามิเตอร์ท่าทาง (pose) และพารามิเตอร์ภายในกล้อง (intrinsics) ที่มันส่งกลับมาด้วย

• พารามิเตอร์กล้อง — Depth Anything 3 ทำนายพารามิเตอร์ภายนอกและภายในของกล้อง; Depth Pro 2 ทำนายเฉพาะความยาวโฟกัส และไม่มีความเข้าใจว่ากล้องอยู่ที่ใด

• ความเชื่อมั่น — Depth Anything 3 ส่งคืนแผนที่ความเชื่อมั่นระดับพิกเซล ส่วน Depth Pro 2 ไม่ส่งคืนค่าใด ๆ

• อินพุต — Depth Pro 2 รับภาพถ่ายหนึ่งภาพ ไฟล์วิดีโอ หรือฟีดจากกล้องสด; Depth Anything 3 รับรายการรูปภาพเป็นชุดมุมมองหนึ่งชุด

• สิทธิ์การใช้งาน — น้ำหนักโมเดลของ Depth Pro 2 ใช้เพื่อการวิจัยเท่านั้นภายใต้สัญญาอนุญาต Apple Machine Learning Research Model; Depth Anything 3 เป็น Apache 2.0 ที่ 0.08B และ 0.12B, CC BY-NC 4.0 ที่ 0.35B และ 1.15B

ขนาดทั้งสี่ไม่ตรงกัน

ทั้งสองตระกูลเผยแพร่เช็กพอยต์ตระกูลละสี่รายการ และจำนวนพารามิเตอร์ก็อยู่ใกล้เคียงกันมากจนแทบจะอยู่ในระดับเดียวกัน ซึ่งทำให้อดเปรียบเทียบแบบหนึ่งต่อหนึ่งไม่ได้ อย่าหลงทำเช่นนั้น

Depth Anything 3 เผยแพร่ 0.08B, 0.12B, 0.35B และ 1.15B — 34.3M, 135.4M, 410.9M และ 1,355.7M พารามิเตอร์ ตามข้อมูลเมตาของ safetensors Depth Pro 2 เผยแพร่ 24M, 97M, 334M และ 872M ขนาดที่เล็กที่สุดสองขนาดของ Depth Pro 2 นั้นเล็กกว่าคู่เทียบใน Depth Anything 3 อย่างมีนัยสำคัญ และขนาดที่ใหญ่ที่สุดก็เล็กกว่าขนาด Giant ของ DA3 อย่างมีนัยสำคัญ

ไลเซนส์แบ่งตามเส้นเดียวกับขนาด และนี่คือรายละเอียดที่สำคัญในเชิงพาณิชย์: เช็กพอยต์ขนาดเล็กสองตัวของ Depth Anything 3 อยู่ภายใต้ Apache 2.0 ส่วนตัวขนาดใหญ่สองตัวอยู่ภายใต้ CC BY-NC 4.0 ทั้งสี่ตัวของ Depth Pro 2 อยู่ภายใต้ไลเซนส์สำหรับการวิจัยเท่านั้นแบบเดียวกัน ซึ่งนิยามไว้ในรีโพซิทอรีว่าเป็นงานวิจัยทางวิทยาศาสตร์ที่ไม่ใช่เชิงพาณิชย์และการพัฒนาทางวิชาการ ดังนั้น หากคุณต้องการโมเดลความลึกที่ขอไลเซนส์ใช้เชิงพาณิชย์ได้เลย Depth Anything 3-Small หรือ -Base ถือเป็นตัวเลือกเดียวในการเปรียบเทียบนี้ และ Depth Pro 2 ไม่ใช่ตัวเลือกดังกล่าวไม่ว่าจะขนาดใด

Depth Anything 3 ยังมีเวอร์ชันปรับปรุง 1.1 ได้แก่ DA3-GIANT-1.1 และ DA3-LARGE-1.1 ซึ่งมีจำนวนพารามิเตอร์เท่ากับเวอร์ชันดั้งเดิม และมีรีโพซิทอรีที่สร้างเมื่อวันที่ 11 ธันวาคม 2025 การ์ด GIANT ฉบับดั้งเดิมอธิบายการประมาณค่าแบบ 3D Gaussian ว่าเป็นความสามารถเพิ่มเติมที่ขนาดใหญ่มีอยู่ ดังนั้นขอบเขตการส่งออกจึงกว้างกว่าการประมาณความลึกเพียงอย่างเดียว

แต่ละห้องแล็บอ้างอะไร และอ้างเทียบกับอะไร

การ์ดของ Depth Anything 3 มีการกล่าวอ้างเชิงเปรียบเทียบสองข้อ และระบุชื่อโมเดลฐานสำหรับทั้งสองข้อ: มันมีประสิทธิภาพเหนือกว่า Depth Anything 2 อย่างมีนัยสำคัญสำหรับการประมาณความลึกแบบตาเดียว และเหนือกว่า VGGT สำหรับการประมาณความลึกและท่าทางแบบหลายมุมมอง ข้อความเหล่านี้เป็นข้อความเฉพาะเจาะจงที่สามารถพิสูจน์ได้ว่าผิดเกี่ยวกับโมเดลที่ระบุชื่อ และตัวเลขโดยละเอียดอยู่ในบทความวิจัยมากกว่าที่จะอยู่ในการ์ด

การ์ดของ Depth Pro 2 มีข้อกล่าวอ้างเพียงข้อเดียว และระบุฐานเปรียบเทียบของตนเพียงว่า “งานก่อนหน้าที่ดำเนินการบนเฟรมเดียวหรือหลายเฟรม” โดยรายงานว่า Depth Pro 2 มีประสิทธิภาพเหนือกว่ากลุ่มดังกล่าวใน Boundary F1 และ Jitter เมื่อเฉลี่ยจากชุดข้อมูล Sintel และ Spring และแสดงให้เห็นด้วยแผนภาพกระจายของสองเมตริกนั้น โดยแกนของแผนภาพมี Boundary F1 ตั้งแต่ 0 ถึง 0.3 และ Jitter จาก 0.1 ลงไปถึง 0

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 อยู่ในแผนภูมินั้นในชื่อ DA3-NGL ซึ่งเป็นหนึ่งใน baseline หลายเฟรมแบบวงกลมโปร่งที่อยู่ที่ประมาณ Boundary F1 0.06 และ jitter 0.018 ดังนั้นจึงมีการเปรียบเทียบอยู่ แต่มีเพียงบนสองเมตริกของ Apple โดยเฉลี่ยจาก Sintel และ Spring โดยไม่มีตัวเลข depth ของ Depth Anything 3 พิมพ์กำกับไว้ ชุดเปรียบเทียบของ ByteDance เองคือ Depth Anything 2 และ VGGT บนเมตริกที่ ByteDance เลือก และไม่ได้กล่าวถึง DA3-NGL ที่นั่น สองชุดนี้ไม่บรรจบกัน: ไม่ว่าคุณจะอ่านการ์ดใบไหน ห้องแล็บอีกแห่งเป็นผู้เลือกแกน และทั้งสองฝ่ายไม่ได้เผยแพร่ตารางร่วมกัน

นั่นไม่ใช่การเลี่ยงที่จะไม่ประกาศผู้ชนะ แต่คือสภาพที่แท้จริงของหลักฐาน และควรพูดให้ตรงไปตรงมา เพราะทางเลือกอื่น — การเลือกแผนภูมิของผู้ขายรายใดก็ตามที่ยกยอโมเดลที่คุณชอบอยู่แล้ว — คือหนทางที่ทำให้เกิดการตัดสินใจจัดซื้อที่แย่

ความสม่ำเสมอของวิดีโอคือข้อโต้แย้งทั้งหมดของ Apple

Depth Pro 2 มีอยู่เพราะจุดอ่อนเฉพาะของความลึกแบบภาพเดี่ยว: หากใช้โมเดลแบบรายเฟรมกับวิดีโอ ความลึกจะสั่นไหว เพราะแต่ละเฟรมถูกประมาณโดยไม่รู้ข้อมูลของเฟรมข้างเคียง วิธีแก้ของ Apple อยู่ที่สถาปัตยกรรม โมเดลนี้เป็นทรานส์ฟอร์เมอร์แบบหลายมุมมองบนเฟรมอินพุต และหลังจากหนึ่งในสามแรกของบล็อก แอตเทนชันจะสลับระหว่างภายในเฟรมและข้ามเฟรม จากนั้นตัวถอดรหัส DPT แบบรายเฟรมจะประกอบโทเค็นจากหลายบล็อกเป็นฟีเจอร์แมปที่ความละเอียดหนึ่งในสามสิบสองถึงหนึ่งในสี่ของความละเอียดอินพุต

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.

โหมดการทำงานเป็นไปตามนั้น โหมดบัฟเฟอร์ซึ่งเป็นค่าเริ่มต้นสำหรับไฟล์วิดีโอ จะประมวลผลคลิปขนาด 16 เฟรมโดยซ้อนทับกันสี่เฟรม เพื่อให้ความลึกคงที่ตลอดขอบเขตคลิป โหมดไม่บัฟเฟอร์จะทำนายแต่ละเฟรมเมื่อมาถึง โดยใช้เฟรมนั้นและ 15 เฟรมก่อนหน้า สำหรับการใช้งานกล้อง โดยมีข้อแม้ตามเอกสารว่าเฟรมแรก ๆ ของสตรีมมีเฟรมก่อนหน้าน้อยกว่า จึงมีความลึกที่มั่นคงน้อยกว่า วิดีโอหนึ่งเรื่องจะได้ความยาวโฟกัสเดียวตลอดทุกเฟรม — ค่ามัธยฐานของการประมาณค่าภายในหน้าต่างแรก

Depth Anything 3 จัดการหลายมุมมองพร้อมกันโดยการออกแบบ เนื่องจากนั่นคือสิ่งที่โมเดลชุดมุมมองทำ แต่กรอบแนวคิดของมันคือการสร้างใหม่ (reconstruction) มากกว่าการทำให้เสถียร (stabilisation) ภาษาบนการ์ดพูดถึงการกู้คืนปริภูมิภาพจากมุมมองใด ๆ และผลลัพธ์ — extrinsics, intrinsics, point maps, Gaussian splats — เป็นภาษาของไปป์ไลน์การสร้างใหม่แบบ 3D หากปัญหาของคุณคือ "วิดีโอนี้กระพริบ" Depth Pro 2 มีโหมดสำหรับเรื่องนี้ และ Depth Anything 3 เป็นผลิตภัณฑ์ที่แตกต่างออกไป

การทำให้ความลึกอยู่ในหน่วยเมตรไม่ว่าจะด้วยวิธีใด

ความลึกแบบสัมพัทธ์ของ Depth Anything 3 ไม่ใช่ข้อจำกัดเท่าไรนัก แต่เป็นเรื่องของการแบ่งหน้าที่กันทำมากกว่า: โมเดลส่งกล้องให้คุณ และกล้องนี่เองคือสิ่งที่เปลี่ยนความลึกแบบสัมพัทธ์ให้เป็นหน่วยเมตร การแปลงค่านั้นเป็นงานจริง — ตัวคูณสเกลต่อฉาก จากฐานอ้างอิงที่ทราบ ขนาดวัตถุที่ทราบ หรือเซนเซอร์ — และเป็นงานเดียวกับที่ Depth Pro 2 ทำไว้ภายในแล้ว

เอาต์พุตเชิงเมตริกของ Depth Pro 2 มีโหมดความล้มเหลวเฉพาะตัว และมีเอกสารกำกับไว้แล้ว ความลึกแปรผันตามความยาวโฟกัส ดังนั้นหากความยาวโฟกัสยาวเกินไป 10 เปอร์เซ็นต์ ทุกอย่างจะถูกวางให้อยู่ไกลออกไป 10 เปอร์เซ็นต์ พิกเซลท้องฟ้าจะถูกคืนค่าออกมาเป็นความลึกอนันต์ หรือ โดยเฉพาะในรุ่นเล็ก ๆ เป็นความลึกจำกัดหลายกิโลเมตร ดังนั้น README จึงแนะนำให้คุณตัดช่วงค่าก่อนสร้างพอยต์คลาวด์หรือภาพสี ใน Python ความลึกผกผันถูกนอร์มัลไลซ์ด้วยความยาวโฟกัส และมีค่าเท่ากับ focallength_px / (width * depth) สตรีมหนึ่ง ๆ เป็นของวิดีโอหนึ่งรายการ และจะเก็บเฟรมล่าสุดและความยาวโฟกัสไว้จนกว่าคุณจะเปิดอันใหม่

โมเดลทั้งสองไม่ได้ทดแทนเซ็นเซอร์วัดความลึกบนพื้นผิวที่ไม่มีลวดลายหรือพื้นผิวสะท้อนแสง ทั้งคู่กำลังอนุมานขนาดจากหลักฐานเชิงภาพ และทั้งคู่จะล้มเหลวในจุดประเภทเดียวกันด้วยเหตุผลประเภทเดียวกัน

ค่าใช้จ่ายในการรันทั้งคู่

ความแตกต่างในทางปฏิบัติอยู่ที่กราฟการพึ่งพา Depth Pro 2 ติดตั้งเป็นแพ็กเกจ Python จากรีโพซิทอรี GitHub ด้วย uv เปิดให้ใช้งานผ่าน command line (uv run depth-pro-2 predict -i photo.jpg -o out/) และ Python API พร้อมทั้งมี Core ML export สำหรับ Apple silicon รวมถึงแอปเดโมสำหรับ Mac รีโพซิทอรีระบุชัดเจนว่ามีโค้ดสำหรับรันโมเดล แต่ไม่มีโค้ดสำหรับการฝึกหรือการประเมินผล

Depth Anything 3 ติดตั้งเป็นแพ็กเกจแบบ editable จากรีโพซิทอรี ByteDance Seed และเปิดให้ใช้ CLI (da3 auto path/to/images --export-format glb) พร้อมโปรเซสแบ็กเอนด์ที่เป็นตัวเลือกสำหรับการทำ inference ซ้ำ ๆ ซึ่งเป็นรายละเอียดประเภทที่จะปรากฏขึ้นก็ต่อเมื่อมีคนรันมันแบบวนซ้ำ

ทั้งคู่เป็นเช็กพอยต์งานวิจัยที่ทำหน้าที่เดียว และไม่มีตัวใดที่คุณต้องกำหนดเส้นทางให้ สิ่งที่อยู่รอบขั้นตอน depth คืองานของโมเดลภาษา — การอธิบายฉาก การตัดสินใจว่าจะทำอะไรกับฉากนั้น การบันทึกผลลัพธ์ — และนั่นคือจุดที่เอนด์พอยต์เดียวพิสูจน์คุณค่าของมัน: OrcaRouter นำโมเดลที่โฮสต์ไว้กว่า 200 โมเดลมาไว้เบื้องหลัง API ที่เข้ากันได้กับ OpenAI เพียงตัวเดียว โดยคิดมาร์กอัป 0% จากราคาตามรายการของผู้ให้บริการ ดังนั้นขั้นตอนการให้เหตุผลรอบโมเดล depth ของคุณจึงใช้คีย์เดียวและบิลเดียว เช็กพอยต์ depth ยังคงเป็น dependency ที่คุณปักหมุดไว้ แต่ไปป์ไลน์รอบๆ ไม่จำเป็นต้องเป็นเช่นนั้น

จะเริ่มจากอันไหนดี

เริ่มต้นด้วย Depth Anything 3 หากคุณกำลังสร้างฉากขึ้นใหม่จากหลายมุมมอง และต้องการให้กล้อง แผนที่จุด และ Gaussian splats อยู่ในคำสั่งเรียกเดียว และหากใบอนุญาต Apache 2.0 ในขนาดเล็กคือสิ่งที่ทำให้โครงการนี้เป็นไปได้เลย ชุดการเปรียบเทียบของมันถูกระบุชื่อไว้ เอาต์พุตของมันครอบคลุมกว้าง และเช็กพอยต์ขนาดเล็กเป็นสิ่งเดียวในบทความนี้ที่สามารถขอใบอนุญาตเชิงพาณิชย์ได้

เริ่มต้นด้วย Depth Pro 2 หากคำตอบที่คุณต้องการคือระยะทางเป็นเมตรจากเฟรมเดียวหรือฟีดสด และหากความเสถียรระหว่างเฟรมเป็นคุณสมบัติที่แอปพลิเคชันของคุณขาดไม่ได้ เริ่มใช้โดยคาดไว้เลยว่าคุณจะต้องตัดความลึกของท้องฟ้า กำหนดความยาวโฟกัสอย่างจงใจ และต้องเป็นผู้ใช้กลุ่มแรก ๆ — รีโพซิทอรีมียอดดาวน์โหลดเพียงหลักสิบ โค้ดมีคอมมิตเดียว และรายงานทางเทคนิคยังเป็นเพียงตัวยึดตำแหน่ง

สิ่งที่ไม่มีโมเดลไหนให้คุณได้คือข้ออ้างที่มีเหตุผลรองรับว่ามันเหนือกว่าอีกตัว เพราะไม่มีแล็บไหนทดสอบเลย ให้เลือกโดยดูที่รูปแบบผลลัพธ์ ใบอนุญาต และว่าอินพุตของคุณเป็นวิดีโอหรือไม่ สามคำถามนี้มีคำตอบแล้วในวันนี้ ส่วนลีดเดอร์บอร์ดยังไม่มี

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.
© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube