การ์ดชื่อเรื่องที่สร้างขึ้นโดยมีหัวข้อ Depth Pro 2 vs VGGT เป็นตัวอักษรเรขาคณิตสีเข้มขนาดใหญ่ พร้อมคำบรรยายใต้หัวข้อว่า การวัดหรือการสร้างใหม่ ซึ่งอยู่เหนือแถบไล่ระดับสีน้ำเงินไปจนถึงสีฟ้าแบบบาง
Engineering & Research

Depth Pro 2 กับ VGGT: ความลึกแบบเมตริกหรือเรขาคณิตหลายมุมมอง

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

เล็งโทรศัพท์ไปที่ห้องหนึ่ง เดินรอบ ๆ ห้อง และบันทึกวิดีโอสี่สิบวินาที สองโมเดลสามารถเปลี่ยนสิ่งนั้นให้เป็นเรขาคณิตได้ และทั้งสองจะไม่เห็นตรงกันว่าเรขาคณิตนั้นคืออะไร Depth Pro 2 โมเดลความลึกแบบโมโนคิวลาร์เมตริกของ Apple จะคืนค่าความลึกเป็นเมตรสำหรับทุกพิกเซลของทุกเฟรม พร้อมแนบความยาวโฟกัสมาด้วย VGGT — Visual Geometry Grounded Transformer จาก Meta AI Research และกลุ่ม VGG ของ University of Oxford ซึ่งเผยแพร่ที่ CVPR 2025 — จะคืนค่าพารามิเตอร์ภายนอกและภายในของกล้อง พอยต์แมป แผนที่ความลึก และแทร็กจุด 3 มิติสำหรับชุดมุมมองทั้งหมดพร้อมกันในครั้งเดียว

หนึ่งในเอาต์พุตเหล่านั้นคือการวัดค่าอีกอันคือการสร้างขึ้นใหม่ การเลือกหว่างสองสิ่งนี้ไม่ใช่คำถามว่าอันไหนแม่นยำกว่า เพราะโมเดลทั้งสองกำลังตอบคำถามที่แตกต่างกัน และคำตอบที่คุณต้องการนั้นถูกกำหนดโดยสิ่งที่ตามหลังโมเดลในไปป์ไลน์ของคุณ

สิ่งที่แต่ละโมเดลถูกสร้างขึ้นมาเพื่อทำ

VGGT เป็นเครือข่ายฟีดฟอร์เวิร์ดที่อนุมานคุณลักษณะ 3D หลักทั้งหมดของฉากจากมุมมองเดียว มุมมองไม่กี่มุมมอง หรือหลายร้อยมุมมอง ภายในไม่กี่วินาที จุดขายคือการประมาณค่าแบบร่วม (joint estimation) แทนที่จะรันโมเดลความลึกทีละเฟรมแล้วแก้หาตำแหน่งกล้องด้วยขั้นตอน structure-from-motion แยกต่างหาก VGGT กลับสร้างตำแหน่งกล้อง พารามิเตอร์ภายในกล้อง ความลึก และ point tracks ในการประมวลผลรอบเดียว โดยที่แต่ละมุมมองจะattendซึ่งกันและกัน นั่นคือเหตุผลที่ข้อกล่าวอ้างเรื่อง "หลายร้อยมุมมอง" จึงสำคัญ — มันคือการแทนที่ไปป์ไลน์โฟโตแกรมเมทรี ไม่ใช่ส่วนเสริมของโฟโตแกรมเมทรีนั้น

Depth Pro 2 เป็นตัวประมาณความลึกแบบเมตริกจากภาพเดียว และคำที่ทำหน้าที่สำคัญคือคำว่า "metric" เอาต์พุตของมันคือแผนที่ความลึกหน่วยเป็นเมตรตามทิศทางที่กล้องมอง ซึ่งคำนวณจากภาพเพียงภาพเดียว โดยไม่ต้องใช้ข้อมูลเมตาของกล้อง — โมเดลสามารถอ่านความยาวโฟกัสจาก EXIF รับค่าที่คุณระบุเป็นพิกเซล หรือทำนายค่านั้นด้วยตัวประมาณขนาด 23.5M พารามิเตอร์แยกต่างหากที่เผยแพร่เป็นรีโพซิทอรีของตัวเอง นอกจากนี้ยังรองรับวิดีโอ ซึ่งเป็นที่มาของคำว่า "2": ทรานส์ฟอร์เมอร์แบบหลายมุมมองประมวลผลเฟรมต่างๆ ร่วมกัน โดยสลับแอตเทนชันภายในแต่ละเฟรมและระหว่างเฟรมหลังจากหนึ่งในสามแรกของบล็อก และตัวถอดรหัส DPT ส่งออกแผนที่ความลึกผกผันต่อเฟรม

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.

• หน่วยการทำงาน — VGGT รับชุดภาพหลายมุมมอง ส่วน Depth Pro 2 รับภาพถ่าย วิดีโอ หรือฟีดสด

• ผลลัพธ์หลัก — VGGT ให้พารามิเตอร์กล้อง แผนที่จุด แผนที่ความลึก และแทร็กจุด 3D; Depth Pro 2 ให้ความลึกแบบเมตริกพร้อมความยาวโฟกัสที่ใช้

• การแก้ปัญหากล้อง — VGGT ประมาณค่าดังกล่าวเป็นส่วนหนึ่งของปัญหาการประมาณค่าร่วม; Depth Pro 2 อ่าน ยอมรับ หรือทำนายความยาวโฟกัส โดยไม่ต้องใช้พารามิเตอร์ภายนอก (extrinsics)

• มาตราส่วน — เอาต์พุตหลักของ Depth Pro 2 มีหน่วยเป็นเมตร ส่วนการ์ดโมเดลของ VGGT อธิบายพารามิเตอร์กล้อง แผนที่จุด ความลึก และแทร็ก โดยไม่ได้อ้างว่ามีมาตราส่วนเมตริก

• การเผยแพร่ — VGGT ได้รับการตีพิมพ์ที่ CVPR 2025 (arXiv 2503.11651); รีโพซิทอรีของ Depth Pro 2 ถูกสร้างขึ้นในเดือนพฤศจิกายน 2026 โดยยังมีรายงานทางเทคนิคที่ยังค้างอยู่

คำถามเรื่องสเกลเป็นตัวชี้ขาดการติดตั้งใช้งานส่วนใหญ่

หากคุณจำเป็นต้องรู้ว่าโต๊ะอยู่ห่างออกไป 0.74 เมตร VGGT จะไม่บอกคุณโดยตรงในเรื่องนั้น แต่ Depth Pro 2 บอกได้ นั่นคือข้อโต้แย้งทั้งหมดในประโยคเดียว และการอธิบายให้ชัดเจนว่าทำไมจึงคุ้มค่า

การอ้างว่าวัดค่าได้เป็นหน่วยเมตรของ Depth Pro 2 เป็นเรื่องเชิงสถาปัตยกรรม ไม่ใช่เรื่องบังเอิญ Depth Pro รุ่นดั้งเดิมถูกสร้างขึ้นเป็น foundation model สำหรับความลึกเชิงเมตรแบบ zero-shot และรีโพซิทอรีก็ระบุธรรมเนียมปฏิบัติไว้อย่างชัดเจน นั่นคือ ความลึกคือพิกัด z ตามแนวทิศทางการมอง ไม่ใช่ระยะทางตามแนวรัศมี ความลึกผกผันถูกนอร์มัลไลซ์ด้วยความยาวโฟกัส และความยาวโฟกัสที่ยาวเกินไป 10 เปอร์เซ็นต์จะทำให้ทุกสิ่งอยู่ไกลเกินไป 10 เปอร์เซ็นต์ สิ่งเหล่านี้คือธรรมเนียมปฏิบัติของโมเดลที่เอาต์พุตถูกออกแบบมาให้อ่านเป็นค่าที่วัดได้ และ Depth Pro 2 สืบทอดสิ่งเหล่านี้ไว้โดยไม่เปลี่ยนแปลงในทุกขนาดทั้งสี่ขนาด

เอาต์พุตของ VGGT เป็นข้อมูลเชิงเรขาคณิต พารามิเตอร์ภายนอกและภายในของกล้อง แผนที่จุด และเส้นทางการติดตามจุดมีความสอดคล้องกันภายใน — การสร้างใหม่นั้นถูกต้องจนถึงการแปลงความคล้ายระดับโลก — และการกู้คืนสเกลสัมบูรณ์จากข้อมูลนี้เป็นขั้นตอนแยกต่างหาก ซึ่งโดยปกติเกี่ยวข้องกับจุดอ้างอิงที่ทราบค่าในฉาก สำหรับการสังเคราะห์มุมมองใหม่ สำหรับแอสเซ็ต 3 มิติ สำหรับสิ่งใดก็ตามที่คุณจะปรับขนาดฉากให้พอดีกับผู้ชม นั่นเป็นเรื่องที่ยอมรับได้และมักเป็นที่ต้องการมากกว่า สำหรับหุ่นยนต์ที่จำเป็นต้องรู้ว่าสิ่งกีดขวางอยู่ห่างหนึ่งเมตรหรือสามเมตร นั่นคือปัญหาที่คุณต้องแก้ไขนอกโมเดล

Depth Pro 2 ก็มีปัญหาด้านความซื่อตรงในเรื่องนี้เช่นกัน พิกเซลท้องฟ้าถูกส่งกลับมาเป็นความลึกอนันต์ หรือโดยเฉพาะกับรุ่นที่เล็กกว่า เป็นความลึกจำกัดเพียงไม่กี่กิโลเมตร ดังนั้นพอยต์คลาวด์แบบง่าย ๆ ที่สร้างจากเอาต์พุตของมันจะมีกำแพงของเรขาคณิตระยะไกลปลอม ๆ ตรงบริเวณท้องฟ้า README บอกให้คุณตัดช่วงความลึกก่อนสร้างพอยต์คลาวด์หรือภาพสี ซึ่งเป็นคำแนะนำชนิดที่ปรากฏขึ้นหลังจากมีคนโดนปัญหานี้กัดมาแล้ว

ความสม่ำเสมอของวิดีโอคือผลงานที่มีอยู่จริง

Depth Pro 2 ไม่ใช่ Depth Pro ที่ดีกว่าเท่าไรนัก แต่เป็นเวอร์ชันที่เสถียรเชิงเวลามากกว่า และกลไกทั้งหมดอยู่ที่รูปแบบ attention หลังจากหนึ่งในสามแรกของบล็อก transformer จะสลับระหว่าง attention ภายในแต่ละเฟรมกับ attention ข้ามเฟรม และตัวถอดรหัส DPT จะประกอบโทเคนจากหลายบล็อกเป็นฟีเจอร์แมปที่ความละเอียด 1/32 ถึง 1/4 ของความละเอียดอินพุต จุดประสงค์ของการสลับนี้คือ Jitter ซึ่งเป็นเมตริกความสอดคล้องเชิงเวลา และหน้าโปรเจกต์รายงานค่านี้ควบคู่กับ Boundary F1 โดยเฉลี่ยบนชุดข้อมูล Sintel และ Spring พร้อมข้อกล่าวอ้างว่า Depth Pro 2 เหนือกว่างานก่อนหน้าที่ทำงานบนเฟรมเดียวหรือหลายเฟรมในทั้งสองเมตริก

ไม่มีค่าตัวเลขใด ๆ ประกอบกับข้อกล่าวอ้างนั้น และไม่มีการระบุชื่อเบสไลน์ใด ๆ หน้าเว็บอ้างถึงเพียง "งานก่อนหน้าที่ดำเนินการกับเฟรมเดียวหรือหลายเฟรม" และ "เบสไลน์ที่การตั้งค่าเริ่มต้น" เท่านั้น และบล็อกการอ้างอิงระบุว่า arXiv:261X.XXXXX — ซึ่งเป็นตัวยึดตำแหน่ง ไม่ใช่บทความจริง ใครก็ตามที่ยกตัวเลข Boundary F1 หรือ Jitter สำหรับ Depth Pro 2 มาอ้าง กำลังอ่านค่านั้นจากแผนภูมิ

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.

ขอบเขตการทำงานของ Depth Pro 2 แคบกว่าที่กรอบการใช้งานวิดีโอสื่อออกมา และความแคบนี้มีระบุไว้ในเอกสาร โหมดเริ่มต้นใช้คลิป 16 เฟรมโดยมีเฟรมทับซ้อนสี่เฟรม และเส้นทางแบบไลฟ์ประมวลผลแต่ละเฟรมเทียบกับสิบห้าเฟรมก่อนหน้า ซึ่งหมายความว่าวินาทีแรกของสตรีมใด ๆ คือวินาทีที่สั่นคลอนที่สุดเท่าที่คุณจะเจอ ใช้ความยาวโฟกัสเดียวกับทั้งวิดีโอ โดยเลือกจากค่ามัธยฐานในช่วงหน้าต่างเริ่มต้น ดังนั้นคลิปที่มีการซูมจะใช้ค่าประมาณความยาวโฟกัสจากเฟรมเดียวกับทุกเฟรม หน่วยความจำขยายตามขนาดเฟรมและหน้าต่าง ไม่ใช่ตามระยะเวลา และวิธีแก้ของ Apple สำหรับวิดีโอที่หน่วยความจำไม่พอ คือลดความยาวหน้าต่างก่อนจะลดขนาดโมเดล

VGGT ไม่มีโหมดที่เทียบเท่า เพราะไม่จำเป็นต้องมีอยู่แล้ว มันจัดการชุดมุมมองทั้งหมดร่วมกันอยู่แล้ว ซึ่งเป็นรูปแบบที่แข็งแกร่งกว่าของการรับประกันแบบเดียวกัน — โดยมีเงื่อนไขว่าคุณสามารถรับภาระต้นทุนการคำนวณ attention กับมุมมองหลายร้อยมุมมองได้ และแอปพลิเคชันของคุณต้องการการสร้างใหม่ (reconstruction) มากกว่าการอ่านค่าความลึกแบบรายเฟรม

ขนาด การส่งออก และสิ่งที่คุณรันจริง

Depth Pro 2 มีสี่ขนาดพร้อมจำนวนที่เปิดเผยไว้: S ที่ 24M พารามิเตอร์และ 97 MB, B ที่ 97M และ 386 MB, L ที่ 334M และ 1.3 GB และ H+ ที่ 872M และ 3.5 GB โดย H+ เป็นค่าเริ่มต้นและแนะนำ S สำหรับแล็ปท็อป ไฟล์กำหนดค่าจะแสดงโครงสร้างตระกูล — แบ็กโบน DINOv3 ViT-S และ ViT-B ในคู่ขนาดเล็กที่ทำงานที่บล็อก 5, 7, 9 และ 11, ViT-L ทำงานที่บล็อก 9 ถึง 23, ViT-H+ ที่บล็อก 11 ถึง 31 โดยมีมิติตัวถอดรหัสเป็น 64, 128, 256 และ 256 การส่งออก Core ML สำหรับ Apple silicon จัดส่งเป็นรีโพซิทอรีแยกต่างหาก และรีโพซิทอรีโค้ดมีแอปเดโม Mac สำหรับความลึกแบบสดจากกล้อง

VGGT-1B เป็นเช็กพอยต์ขนาดหนึ่งพันล้านพารามิเตอร์เพียงตัวเดียว และตระกูลนี้ก็ได้พัฒนาต่อไปแล้ว VGGT-Omega เปิดตัวเมื่อวันที่ 18 พฤษภาคม 2026 ในฐานะ "ก้าวถัดไปของ VGGT" และมีเช็กพอยต์เชิงพาณิชย์ชื่อ VGGT-1B-Commercial อยู่ควบคู่กับเวอร์ชันต้นฉบับ โดยมี AUC@30 อยู่ที่ 90.37 บน Co3D เทียบกับ 89.98 ของเวอร์ชันต้นฉบับ — เป็นตัวเลขเบนช์มาร์กเพียงตัวเดียวบนการ์ดโมเดล และเป็นความแตกต่างที่เล็กน้อย ณ เวลาที่เขียนนี้ VGGT-1B มียอดดาวน์โหลด 748,148 ครั้ง ซึ่งสะท้อนให้เห็นว่าชุมชนวิจัยนำไปใช้เป็นฐานอ้างอิงอย่างกว้างขวางเพียงใด

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 เป็นเรื่องตรงกันข้าม เช็กพอยต์ทั้งสี่ตัวมีดาวน์โหลดอยู่ในหลักสิบ รีโพซิทอรีถูกสร้างขึ้นในช่วงต้นเดือนพฤศจิกายน 2026 และไลก์บนรีโพซิทอรีการ์ดมีอยู่เพียงไม่กี่รายการเท่านั้น เป็นโมเดลที่เผยแพร่แล้วแต่ยังไม่ถูกหยิบไปใช้งาน เรื่องนี้ควรรู้ไว้ก่อนตัดสินใจใช้งาน: หากคุณเจอบั๊ก คุณจะเป็นคนที่ต้องแจ้งปัญหาด้วยตัวเอง

การออกใบอนุญาตและจุดตรวจสอบเชิงพาณิชย์

VGGT-1B อยู่ภายใต้สัญญาอนุญาต CC BY-NC 4.0 ซึ่งใช้ได้เฉพาะเพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์ รายละเอียดที่น่าสนใจคือการมีอยู่ของ VGGT-1B-Commercial — Meta ได้เผยแพร่เวอร์ชันที่สามารถขออนุญาตใช้งานเชิงพาณิชย์ได้ ซึ่งหมายความว่ามีเส้นทางจากงานวิจัยสู่ผลิตภัณฑ์โดยไม่ต้องเจรจาสัญญาอนุญาต น้ำหนักของ Depth Pro 2 อยู่ภายใต้สัญญาอนุญาต Apple Machine Learning Research Model License ใช้เพื่อการวิจัยเท่านั้น โดยคลังโค้ดกำหนดให้เป็นกิจกรรมการวิจัยทางวิทยาศาสตร์และการพัฒนาทางวิชาการที่ไม่ใช่เชิงพาณิชย์

ทั้งสองไลเซนส์ไม่ใช่ไลเซนส์ผลิตภัณฑ์บนเช็กพอยต์แบบเปิด ความแตกต่างคือตระกูลของ VGGT มีตัวเลือกเชิงพาณิชย์ ส่วนของ Depth Pro 2 ไม่มี ดังนั้นหากคุณกำลังสร้างเพื่อทำรายได้ ตัวหนึ่งมีประตู ส่วนอีกตัวมีกำแพง

นี่คือการคำนวณเดียวกันกับที่ปรากฏขึ้นอีกหนึ่งชั้นในไปป์ไลน์การผลิตใด ๆ โมเดลสำหรับการสร้างใหม่ (reconstruction) เป็นเพียงการเรียกหนึ่งครั้ง รอบ ๆ มันมีส่วนที่อ่านฉาก ตัดสินใจว่าจะทำอะไร แล้วบันทึกผลออกมา — งานของโมเดลภาษา ซึ่งผู้ขายกำหนดราคาไว้ และตัวรวบรวม (aggregator) จะส่งต่อราคานั้นหรือไม่ก็ได้ ข้อเสนอของ OrcaRouter คือมาร์กอัป 0% สำหรับ 217 โมเดล พร้อมการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดความล้มเหลว ซึ่งสำคัญที่สุดตรงจุดนี้พอดี: เมื่อขั้นตอนเรขาคณิตเป็นเช็กพอยต์งานวิจัยที่มีจำนวนดาวน์โหลดเพียงหยิบมือและไม่มีรอบการเผยแพร่ที่แน่นอน คุณย่อมต้องการให้ส่วนที่เหลือของไปป์ไลน์เป็นส่วนที่น่าเบื่อและมีสำรองซ้ำซ้อน

ใครควรเริ่มด้วยอะไร

เริ่มต้นด้วย VGGT หากคุณกำลังสร้างฉากใหม่จากหลายมุมมอง และจะจัดการเรื่องสเกลในขั้นถัดไป — การสังเคราะห์มุมมองใหม่, แอสเซ็ต 3D, ชุดข้อมูลที่สร้างจากวิดีโอโดยเรขาคณิตเป็นผลลัพธ์ที่ต้องการ การแก้ปัญหากล้องและเรขาคณิตแบบพร้อมกันคือสิ่งที่ทำให้มันคุ้มค่ากับพารามิเตอร์ระดับพันล้านตัว และ VGGT-Omega คือรุ่นปัจจุบันหากคุณเริ่มต้นใหม่

เริ่มต้นด้วย Depth Pro 2 หากคุณต้องการหน่วยเมตรจากเฟรมเดียว หรือหากคุณต้องการให้ depth คงที่ทุกเฟรมในฟีดสด ตัวปรับขนาดมีอยู่จริง และมีเอกสารอธิบายเวิร์กโฟลว์บนแล็ปท็อป เมื่อเริ่มใช้งาน ให้คาดไว้เลยว่าคุณจะเจอ depth ของท้องฟ้าถูก clip คาดว่าคุณจะเป็นคนแรกที่รายงานบั๊กส่วนใหญ่ และคาดว่าจะต้องรอรายงานทางเทคนิคก่อนจึงจะอ้างอิงตัวเลข Boundary F1 ให้ใครฟังได้

สิ่งที่คุณไม่ควรทำคือมองเรื่องนี้เป็นการเปรียบเทียบแบบตัวต่อตัว VGGT ทำหน้าที่สร้างใหม่ ส่วน Depth Pro 2 ทำหน้าที่วัด และการเปรียบเทียบที่ซื่อตรงมีเพียงอย่างเดียว คือโค้ดดาวน์สตรีมของคุณสามารถนำตัวไหนไปใช้ได้ สำหรับไปป์ไลน์ 3D ส่วนใหญ่ คำตอบคือ VGGT พร้อมขั้นตอนการกู้คืนสเกล ส่วนไปป์ไลน์หุ่นยนต์และ AR ส่วนใหญ่ คำตอบคือ Depth Pro 2 พร้อมงบประมาณด้านความทนทานสำหรับกรณีที่ระบบมีปัญหา

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube