การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งมีหัวข้อ Depth Pro 2 vs MoGe-2 ในตัวอักษรเรขาคณิตสีเข้มขนาดใหญ่ พร้อมคำบรรยายว่า "โมเดลความลึกเชิงเมตริกสองแบบ สกอร์บอร์ดสองชุดที่เข้ากันไม่ได้" อยู่ใต้หัวข้อนั้นและเหนือแถบไล่ระดับสีน้ำเงินถึงสีฟ้าโอนบาง ๆ
Guides & Insights

Depth Pro 2 กับ MoGe-2: ความสอดคล้องของวิดีโอ กับ แผนที่จุด

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

Depth Pro 2 และ MoGe-2 ต่างเป็นโมเดลเรขาคณิตแบบมองภาพเดียวเชิงเมตริกจากห้องวิจัยขนาดใหญ่ และ ณ เวลาที่เขียนนี้ ยังไม่มีใครเผยแพร่ตัวเลขใดที่นำทั้งสองมาเปรียบเทียบกันโดยตรง Depth Pro 2 ของ Apple รายงาน Boundary F1 และ Jitter โดยเฉลี่ยจากชุดข้อมูล Sintel และ Spring ส่วน MoGe-2 ของ Microsoft รายงานความแม่นยำเรขาคณิตสัมพัทธ์ มาตรวัดเชิงเมตริก และการรักษารายละเอียด บนชุดการประเมินของตนเอง ชุดเมตริกทั้งสองไม่ทับซ้อนกัน ซึ่งหมายความว่าข้อกล่าวอ้างทำนอง "X ชนะ Y" ทุกข้อที่คุณจะพบเกี่ยวกับการจับคู่นี้ ล้วนถูกกุขึ้นมาหรือยืมมาจากเบนช์มาร์กที่ทั้งสองห้องแล็บไม่ได้รัน

นี่ไม่ใช่การเลี่ยงคำตอบ มันเป็นสิ่งเดียวที่มีประโยชน์ที่สุดที่ควรรู้ก่อนคุณจะเสียเวลาหนึ่งสัปดาห์ไปกับการผสานรวมตัวใดตัวหนึ่ง สิ่งที่คุณเปรียบเทียบได้คือสิ่งที่แต่ละรีโพซิทอรีส่งมอบจริง แต่ละโมเดลถูกออกแบบมาให้ด้อยด้านใด และจุดอ่อนเหล่านั้นข้อใดจะส่งผลกับไปป์ไลน์ของคุณ บทความนี้ทำสิ่งนั้น และระบุชัดเจนว่าข้อกล่าวอ้างใดมาจาก README ของผู้ขาย และข้อใดมาจากไม่มีอะไรเลย

สิ่งที่แต่ละรีพозиทอรีมีอยู่จริง

Depth Pro 2 กระจายอยู่หลายรีโพซิทอรีของ Hugging Face แทนที่จะเป็นรีโพซิทอรีเดียว รีโพซิทอรีการ์ด apple/DepthPro2 เก็บ README และรูปภาพประกอบ ส่วนน้ำหนักโมเดลถูกแบ่งตามขนาดเป็น apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L และ apple/DepthPro2-H รีโพซิทอรีแยกต่างหากอย่าง apple/DepthPro2-focal มีตัวประมาณความยาวโฟกัสแบบสแตนด์อโลนขนาด 23.5M พารามิเตอร์ที่โหลดควบคู่กับขนาดใดก็ได้ อีกแห่งหนึ่งคือ apple/DepthPro2-coreml เก็บ Core ML export สำหรับ Apple silicon รีโพซิทอรีโค้ดคือ apple-aiml-research/ml-depth-pro-2 บน 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.

สี่ขนาดเริ่มตั้งแต่ 24M พารามิเตอร์ที่ 97 MB (S) ไปจนถึง 97M ที่ 386 MB (B) และ 334M ที่ 1.3 GB (L) ไปจนถึง 872M ที่ 3.5 GB (H+ ซึ่งเป็นค่าเริ่มต้น) การกำหนดค่าเหล่านี้ยืนยันความสัมพันธ์ในตระกูลเดียวกัน: S และ B ใช้ backbone DINOv3 ViT-S และ ViT-B พร้อม cross-frame attention ที่บล็อก 5, 7, 9 และ 11; L ขยายไปถึงบล็อก 9 ถึง 23 ด้วยตัวถอดรหัส DPT ขนาด 256 มิติ; H+ ไปถึงบล็อก 11 ถึง 31 และประกอบโทเคนที่บล็อก 7, 15, 23 และ 31

MoGe-2 เปิดให้ใช้งานในรูปแบบเช็กพอยต์ 4 รายการภายใต้องค์กร Ruicheng ได้แก่ moge-2-vitl ขนาด 326M พารามิเตอร์โดยไม่มีนอร์มัล และรุ่น -normal ได้แก่ moge-2-vitl-normal ขนาด 331M, moge-2-vitb-normal ขนาด 104M และ moge-2-vits-normal ขนาด 35M แต่ละรุ่นคืนค่าเป็นแผนที่จุดแบบเมตริกในพิกัดกล้องแบบ OpenCV, แผนที่ความลึก, พารามิเตอร์ภายในกล้องแบบนอร์มัลไลซ์ และมาสก์พิกเซลที่ถูกต้อง โดยรุ่นที่มีนอร์มัลจะเพิ่มแผนที่นอร์มัลเข้ามาด้วย MoGe-2 เป็นรุ่นที่สอง; ครอบครัวนี้ได้ก้าวต่อไปยัง MoGe-3 ซึ่งเปิดตัวเมื่อวันที่ 18 สิงหาคม 2026 พร้อมโมเดล ViT-g ขนาด 1.25B พารามิเตอร์ ดังนั้น MoGe-2 จึงเป็นรุ่นก่อนหน้า ไม่ใช่รุ่นปัจจุบัน

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.

จุดที่การออกแบบทั้งสองแตกต่างกัน

• รูปแบบอินพุต — Depth Pro 2 รองรับภาพถ่ายหนึ่งภาพ ไฟล์วิดีโอ หรือฟีดจากกล้องสด; MoGe-2 รองรับภาพเพียงภาพเดียว

• ข้อกล่าวอ้างหลัก — Depth Pro 2 อ้างว่ามีความคมชัดและความสอดคล้องเชิงเวลา; MoGe-2 อ้างว่ามีมาตราส่วนเมตริกพร้อมรายละเอียดปลีกย่อย ซึ่งทำได้ผ่านขั้นตอนการปรับแต่งข้อมูลแบบรวมเป็นหนึ่งที่ใช้ป้ายกำกับสังเคราะห์ที่คมชัดเพื่อกรองและเติมเต็มข้อมูลการฝึกจริง

• ลักษณะเอาต์พุต — Depth Pro 2 คืนค่าความลึกเป็นเมตรพร้อมความยาวโฟกัสที่ใช้; MoGe-2 คืนค่าแผนที่จุดแบบเต็ม ความลึก พารามิเตอร์ภายใน และมาสก์ โดยมีนอร์มัลในเวอร์ชันที่รวมนอร์มัลไว้

• ความยาวโฟกัส — Depth Pro 2 มาพร้อมตัวประมาณค่าที่แยกออกมา และยังสามารถอ่าน EXIF หรือรับค่าความยาวโฟกัสที่ทราบเป็นพิกเซลได้ ส่วน MoGe-2 สามารถรับฟิลด์ออฟวิว (field of view) เป็นกราวด์ทรูธแบบไม่บังคับเพื่อปรับปรุงความแม่นยำ

• มาตราส่วน — MoGe-2 เพิ่มมาตราส่วนเมตริกในโลกจริงเหนือ MoGe-1 ซึ่งสร้างแผนที่จุดแบบ affine-invariant ที่ไม่ทราบมาตราส่วน; Depth Pro 2 สืบทอดมาตราส่วนเมตริกจาก Depth Pro ต้นฉบับ

• สัญญาอนุญาต — เวตของ Depth Pro 2 อยู่ภายใต้สัญญาอนุญาต Apple Machine Learning Research Model ใช้เพื่อการวิจัยเท่านั้น ซึ่งหมายถึงการวิจัยทางวิทยาศาสตร์ที่ไม่ใช่เชิงพาณิชย์และการพัฒนาทางวิชาการ โค้ดของ MoGe-2 เป็น MIT โดย DINOv2 ที่รวมมาด้วยอยู่ภายใต้ Apache 2.0

คำถามในวิดีโอคือแก่นของการโต้แย้งทั้งหมด

การตัดสินใจเชิงสถาปัตยกรรมที่โดดเด่นของ Depth Pro 2 คือ transformer แบบหลายมุมมองจะประมวลผลหนึ่งเฟรมหรือมากกว่านั้นร่วมกัน และหลังจากหนึ่งในสามแรกของบล็อก มันจะสลับระหว่าง attention ภายในแต่ละเฟรมกับ attention ข้ามเฟรม จากนั้นตัวถอดรหัส DPT จะทำนายแผนที่ความลึกผกผันต่อหนึ่งเฟรม นั่นคือกลไกเบื้องหลังค่า Jitter ซึ่งเป็นเมตริกความสอดคล้องเชิงเวลา และเป็นเหตุผลที่โมเดลนี้มีความสามารถด้านวิดีโอ

ในทางปฏิบัติ นั่นหมายถึงโหมดการทำงานสองโหมด โหมดเริ่มต้นแบบมีบัฟเฟอร์จะประมวลผลคลิปขนาด 16 เฟรมที่ซ้อนทับกันสี่เฟรม ซึ่งช่วยให้ค่าความลึกคงที่ตรงรอยต่อของคลิป การตั้งค่า window และ overlap จะเปิดให้กำหนดความยาวคลิปและส่วนที่ซ้อนทับ โหมดไม่มีบัฟเฟอร์จะทำนายแต่ละเฟรมเมื่อเฟรมนั้นมาถึง โดยใช้เฟรมนั้นและ 15 เฟรมก่อนหน้า ซึ่งเป็นโหมดที่คุณต้องการสำหรับกล้อง เอกสารของ Apple เองก็ยอมรับตรงๆ ถึงต้นทุนของเส้นทางแบบเรียลไทม์ว่า เฟรมแรกๆ ของสตรีมมีเฟรมก่อนหน้าน้อยกว่าให้พิจารณา ดังนั้นค่าความลึกจึงคงที่น้อยกว่า วิดีโอหนึ่งเรื่องจะได้ทางยาวโฟกัสเดียวสำหรับทุกเฟรม โดยใช้ค่ามัธยฐานของการประมาณค่าตลอดหน้าต่างแรก

MoGe-2 ไม่มีโมเดลที่เทียบเท่าได้ มันเป็นโมเดลสำหรับภาพเดี่ยว และการนำไปใช้กับวิดีโอหมายถึงการรันทีละเฟรมแล้วยอมรับภาพกระพริบที่เกิดขึ้นไม่ว่าอะไรจะหลุดออกมา สำหรับงานสร้างใหม่แบบคงที่ — photogrammetry, ไปป์ไลน์แอสเซ็ตจากภาพนิ่งสู่ 3D, อะไรก็ตามที่แต่ละเฟรมเป็นอิสระจากกัน — นั่นไม่ใช่ข้อจำกัดเลย แต่สำหรับหุ่นยนต์หรือ AR overlay มันคือความแตกต่างระหว่างใช้ได้กับใช้ไม่ได้

คำว่า "metric" หมายถึงอะไรในแต่ละเอาต์พุต

ทั้งสองโมเดลอ้างหน่วยเป็นเมตร และทั้งคู่ก็ใช้คำนี้ในความหมายที่ต่างกันเล็กน้อย Depth Pro 2 คืนค่าระยะตามทิศทางการมองของกล้อง ซึ่งก็คือพิกัด z ไม่ใช่ระยะเส้นตรงจากกล้อง นอกจากนี้ยังปรับมาตรฐานความลึกผกผันด้วยความยาวโฟกัส ดังนั้นความลึกผกผันจึงเท่ากับความยาวโฟกัสเป็นพิกเซลหารด้วยผลคูณของความกว้างภาพและความลึก พิกเซลท้องฟ้าจะถูกคืนค่าเป็นความลึกอนันต์ หรือโดยเฉพาะในโมเดลขนาดเล็กกว่า จะเป็นความลึกจำกัดระดับหลายกิโลเมตร ซึ่งเป็นรายละเอียดที่ควรจัดการก่อนสร้างพอยต์คลาวด์

MoGe-2 ส่งคืน point map โดยตรง ซึ่งหลีกเลี่ยงการแปลงนั้น นี่คือเอาต์พุตที่มีประโยชน์กว่าหากคุณจะไปทาง 3D อยู่แล้ว และนี่คือเหตุผลที่โมเดลรายงาน intrinsics ควบคู่กับ depth — point map จะมีความหมายก็ต่อเมื่ออยู่ในกรอบกล้องที่คุณรู้ด้วยเช่นกัน เอาต์พุตทั้งสองไม่ใช่สิ่งทดแทนเซ็นเซอร์วัดระยะจริงเมื่อฉากไม่มีพื้นผิวให้ยึดมาตราส่วน ทั้งสองกำลังประมาณค่า และทั้งสองจะคลาดเคลื่อนบนพื้นผิวสะท้อนแสงหรือโปร่งใส

การออกใบอนุญาตคือการตัดสินใจ ไม่ใช่เกณฑ์มาตรฐาน

โมเดลทั้งสองไม่สามารถใช้ในเชิงพาณิชย์ได้ตามสภาพที่จัดส่งมา แต่ข้อจำกัดแตกต่างกันในลักษณะที่มีความสำคัญต่อการทบทวนทางกฎหมาย น้ำหนักของ Depth Pro 2 อยู่ภายใต้สัญญาอนุญาต Apple Machine Learning Research Model ซึ่งอนุญาตให้ใช้เพื่อวัตถุประสงค์ด้านการวิจัยเท่านั้น โดยที่เก็บโค้ดกำหนดสิ่งนั้นว่าเป็นกิจกรรมการวิจัยทางวิทยาศาสตร์ที่ไม่ใช่เชิงพาณิชย์และการพัฒนาทางวิชาการ โค้ดได้รับอนุญาตแยกต่างหาก และที่เก็บโค้ดยอมรับว่าสร้างขึ้นบน TIMM และ DINOv3

โค้ดของ MoGe-2 ใช้สัญญาอนุญาต MIT ซึ่งใกล้เคียงกับการไม่มีข้อผูกพันมาก ถึงแม้ว่าน้ำหนักโมเดลจะไม่ได้ระบุเงื่อนไขแยกต่างหากไว้บนการ์ดโมเดล และโค้ด DINOv2 ที่มาพร้อมกันใช้สัญญาอนุญาต Apache 2.0 หากคำถามของคุณคือ “ฉันนำสิ่งนี้ไปใช้ในผลิตภัณฑ์ได้ไหม” คำตอบที่ตรงไปตรงมาสำหรับทั้งสองกรณีคือ คุณต้องปรึกษาฝ่ายกฎหมาย และการปรึกษาเรื่อง MoGe-2 จะใช้เวลาสั้นกว่า หากคำถามของคุณคือ “ฉันตีพิมพ์บทความโดยใช้สิ่งนี้ได้ไหม” ทั้งสองกรณีก็ไม่มีปัญหา

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.

สิ่งที่ตัวเลขที่หายไปควรบอกคุณ

รายงานทางเทคนิคของ Depth Pro 2 ยังไม่มีอยู่ บล็อกการอ้างอิงของรีโพซิทอรียังระบุว่า arXiv:261X.XXXXX และตัว X ไม่ใช่การปิดบังข้อมูล — มันเป็นตัวแทนชั่วคราวที่ยังไม่ได้เติมข้อมูล หน้าโปรเจกต์ระบุชื่อเมตริกที่อ้างว่าทำได้ดีกว่า คือ Boundary F1 และ Jitter และไม่ระบุชื่อ baseline ใด ๆ โดยอ้างถึงเพียง "งานก่อนหน้าที่ทำงานบนเฟรมเดียวหรือหลายเฟรม" และ "baseline ที่ใช้การตั้งค่าเริ่มต้น"

MoGe-2 มีบทความจริงคือ arXiv 2507.02546 แต่บทคัดย่อก็ไม่มีตัวเลขเช่นกัน ส่วนการประเมินถูกแยกไปไว้ในเอกสารอีกฉบับ ดังนั้นตารางเปรียบเทียบที่คุณอาจหวังไว้จึงไม่มีอยู่ทั้งสองฝ่าย และบทความใดที่ยื่นตารางนั้นให้คุณก็กำลังอ้างอิงการอ่านค่าจากกราฟ

ซึ่งเป็นสิ่งที่ควรคำนึงถึงเมื่อคุณกำหนดราคาส่วนที่เหลือของสแต็ก โมเดลความลึกเป็นเพียงขั้นตอนหนึ่งของไพป์ไลน์ที่ยังต้องบรรยายฉาก ตัดสินใจว่าจะจัดการกับฉากนั้นอย่างไร และเขียนผลลัพธ์ไปที่ใดที่หนึ่ง — และขั้นตอนเหล่านั้นคือการเรียกใช้โมเดลภาษา ซึ่งราคาได้รับการเผยแพร่และเปรียบเทียบได้โดยตรง นั่นคือเหตุผลที่ควรวางขั้นตอนเหล่านี้ไว้เบื้องหลัง API เดียวแทนที่จะเป็นสามตัว: OrcaRouter จัดเส้นทางให้ 217 โมเดลด้วยคีย์เดียว โดยไม่บวกเพิ่ม 0% หมายความว่าราคาตามรายการของผู้ให้บริการผ่านไปโดยไม่ถูกแตะต้อง ดังนั้นการลดราคาของผู้ขายจึงมีผลในวันเดียวกัน แทนที่จะรอจนกว่าแอกกริเกเตอร์จะซิงก์ใหม่ การสลับไปใช้ผู้ให้บริการรายอื่นอัตโนมัติเมื่อเกิดข้อขัดข้องจึงสำคัญด้วยเหตุผลเดียวกันในทางกลับกัน — หากขั้นตอนการให้เหตุผลเป็นขั้นตอนที่ต้องคงทำงานอยู่ คุณอยากให้งานความลึกเป็นสิ่งเดียวในไพป์ไลน์ที่ได้รับอนุญาตให้ล้มเหลวอย่างเงียบ ๆ

ควรเลือกอันไหนดี

หากคุณมีวิดีโอและให้ความสำคัญกับอาการกะพริบ (flicker) Depth Pro 2 เป็นเพียงตัวเดียวในสองตัวนี้ที่มีคำตอบ และคำตอบของมันคือสถาปัตยกรรมจริง — cross-frame attention, overlapping windows, โหมดสดที่มีการระบุถึงค่าปรับจากการวอร์มアップ (warm-up penalty) ไว้ในเอกสาร เริ่มต้นด้วย S บนแล็ปท็อปตามที่เอกสารของ Apple เองแนะนำ และเลื่อนไปใช้ระดับที่สูงขึ้นเฉพาะเมื่อขอบยังไม่คมพอ

หากคุณมีภาพนิ่งและต้องการแผนที่จุด MoGe-2 จะให้พื้นผิวเอาต์พุตต่อการเรียกหนึ่งครั้งมากกว่า และตัวแปรแบบนอร์มัลจะให้สัญญาณที่สองซึ่งมิฉะนั้นคุณต้องประมาณเอง สเกลเมตริกของมันคือสิ่งที่ улучшенияขึ้นกว่า MoGe-1 และยังคงใช้ได้

สิ่งที่ทั้งสองฝ่ายไม่ได้ให้คุณคือข้อกล่าวอ้างที่ฟังขึ้นว่ามันดีกว่าอีกฝ่าย เพราะไม่มีห้องแล็บใดทำการทดลองนี้เลย จงมองการจับคู่นี้เป็นเครื่องมือที่แตกต่างกันสองอย่างซึ่งมีชื่อทับซ้อนกัน ไม่ใช่รายการจัดอันดับ จนกว่าจะมีใครเผยแพร่ตัวเลขเหล่านั้นออกมา

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube