Một thẻ tiêu đề được tạo có tiêu đề Depth Pro 2 vs MoGe-2 bằng kiểu chữ hình học lớn màu tối, với phụ đề Hai mô hình độ sâu hệ mét, hai bảng điểm không tương thích bên dưới, phía trên một thanh gradient mảnh từ xanh dương sang xanh lơ.
Guides & Insights

Depth Pro 2 so với MoGe-2: Tính nhất quán video so với Bản đồ điểm

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Depth Pro 2 và MoGe-2 đều là các mô hình hình học một mắt có thang đo metric đến từ những phòng thí nghiệm nghiên cứu lớn, và tính đến thời điểm viết bài này, chưa ai công bố một con số đặt mô hình này đối đầu với mô hình kia. Depth Pro 2 của Apple báo cáo Boundary F1 và Jitter, được lấy trung bình trên các bộ dữ liệu Sintel và Spring. MoGe-2 của Microsoft báo cáo độ chính xác hình học tương đối, thang đo metric và khả năng bảo toàn chi tiết trên hỗn hợp đánh giá của riêng mình. Hai bộ chỉ số không giao nhau, nghĩa là mọi tuyên bố kiểu "X đánh bại Y" mà bạn tìm thấy về cặp mô hình này hoặc là bịa ra hoặc là mượn từ một benchmark mà cả hai phòng thí nghiệm đều không chạy.

{{1}}Đó không phải là một cách né tránh. {{/1}}{{2}}Đó là điều hữu ích nhất cần biết trước khi bạn dành một tuần để tích hợp một trong hai. {{/2}}{{3}}Điều bạn có thể so sánh là mỗi kho thực sự cung cấp gì, mỗi mô hình được thiết kế để yếu ở điểm nào, và điểm yếu nào trong số đó rơi vào pipeline của bạn. {{/3}}{{4}}Bài viết này làm điều đó, và nó nói rõ những tuyên bố nào đến từ README của nhà cung cấp và những tuyên bố nào hoàn toàn không có căn cứ. {{/4}}

Mỗi kho lưu trữ thực sự chứa những gì

Depth Pro 2 nằm rải rác trên nhiều kho Hugging Face thay vì chỉ một kho. Kho thẻ, apple/DepthPro2, chứa README và các hình ảnh; các trọng số được chia theo kích thước thành apple/DepthPro2-S, apple/DepthPro2-B, apple/DepthPro2-L và apple/DepthPro2-H. Một kho riêng, apple/DepthPro2-focal, chứa bộ ước lượng tiêu cự độc lập 23.5M tham số, tải được cùng với mọi kích thước. Một kho khác, apple/DepthPro2-coreml, chứa các bản xuất Core ML cho Apple silicon. Kho mã nguồn là apple-aiml-research/ml-depth-pro-2 trên 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.

Bốn kích cỡ trải từ 24M tham số ở 97 MB (S) qua 97M ở 386 MB (B) và 334M ở 1,3 GB (L) đến 872M ở 3,5 GB (H+, mặc định). Cấu hình của chúng xác nhận mối quan hệ trong cùng dòng: S và B dùng backbone DINOv3 ViT-S và ViT-B với cross-frame attention tại các khối 5, 7, 9 và 11; L mở rộng ra các khối 9 đến 23 với bộ giải mã DPT 256 chiều; H+ chuyển đến các khối 11 đến 31 và tập hợp token tại các khối 7, 15, 23 và 31.

MoGe-2 được phát hành dưới dạng bốn checkpoint thuộc tổ chức Ruicheng: moge-2-vitl với 326M tham số, không có normal, và các biến thể -normal gồm moge-2-vitl-normal với 331M, moge-2-vitb-normal với 104M và moge-2-vits-normal với 35M. Mỗi mô hình trả về một bản đồ điểm theo đơn vị mét trong hệ tọa độ camera OpenCV, một bản đồ độ sâu, thông số nội tại camera đã chuẩn hóa và một mặt nạ pixel hợp lệ, với bản đồ normal được thêm vào ở các biến thể có nó. MoGe-2 là thế hệ thứ hai; dòng này kể từ đó đã chuyển sang MoGe-3, được công bố ngày 18 tháng 8 năm 2026 với mô hình ViT-g 1,25B tham số, vì vậy MoGe-2 hiện là bản phát hành trước đó chứ không phải bản hiện tại.

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.

Nơi hai thiết kế khác biệt

• Phương thức đầu vào — Depth Pro 2 nhận một ảnh, tệp video hoặc luồng camera trực tiếp; MoGe-2 nhận một ảnh duy nhất.

• Tuyên bố chính — Depth Pro 2 tuyên bố có độ sắc nét và tính nhất quán theo thời gian; MoGe-2 tuyên bố có tỷ lệ mét cùng chi tiết mịn, đạt được thông qua một bước tinh chỉnh dữ liệu thống nhất sử dụng nhãn tổng hợp sắc nét để lọc và hoàn thiện dữ liệu huấn luyện thực tế.

• Bề mặt đầu ra — Depth Pro 2 trả về độ sâu tính bằng mét cùng với tiêu cự mà nó đã sử dụng; MoGe-2 trả về một point map đầy đủ, độ sâu, intrinsics và một mask, kèm theo normals trên các biến thể có bao gồm chúng.

• Tiêu cự — Depth Pro 2 đi kèm một bộ ước lượng riêng và cũng có thể đọc EXIF hoặc nhận tiêu cự đã biết tính bằng pixel; MoGe-2 có thể nhận trường nhìn làm ground truth tùy chọn để cải thiện độ chính xác.

• Tỷ lệ — MoGe-2 đã bổ sung tỷ lệ mét trong thế giới thực so với MoGe-1, vốn tạo ra các bản đồ điểm bất biến affine với tỷ lệ chưa xác định; Depth Pro 2 kế thừa tỷ lệ mét từ Depth Pro gốc.

• Giấy phép — Trọng số Depth Pro 2 thuộc giấy phép Apple Machine Learning Research Model, chỉ dùng cho mục đích nghiên cứu, được định nghĩa là nghiên cứu khoa học phi thương mại và phát triển học thuật. Mã MoGe-2 dùng giấy phép MIT, với DINOv2 đi kèm thuộc Apache 2.0.

Câu hỏi trong video chính là toàn bộ lập luận.

Quyết định kiến trúc đặc trưng của Depth Pro 2 là một transformer đa khung nhìn xử lý chung một hoặc nhiều khung hình, và sau một phần ba số block đầu tiên của nó, nó luân phiên giữa attention trong từng khung hình và attention xuyên các khung hình. Sau đó, một bộ giải mã DPT dự đoán bản đồ độ sâu nghịch đảo cho mỗi khung hình. Đó chính là cỗ máy đằng sau chỉ số Jitter — thước đo tính nhất quán thời gian — và là lý do mô hình có câu chuyện video.

Trên thực tế, điều đó có nghĩa là có hai chế độ hoạt động. Chế độ mặc định, có bộ đệm, xử lý các đoạn 16 khung hình chồng lấn bốn khung, giúp độ sâu ổn định tại nơi các đoạn gặp nhau; các thiết lập cửa sổ và độ chồng lấn cho thấy độ dài đoạn và độ chồng lấn. Chế độ không bộ đệm dự đoán từng khung hình ngay khi nó đến bằng cách dùng khung đó và 15 khung trước đó, đây là chế độ bạn muốn cho camera. Tài liệu của chính Apple thẳng thắn về cái giá của luồng trực tiếp: các khung hình đầu tiên của một luồng có ít khung hình trước chúng hơn để đối chiếu, nên độ sâu của chúng kém ổn định hơn. Một video nhận một tiêu cự cho tất cả các khung hình của nó, được lấy làm trung vị của các ước lượng trên cửa sổ đầu tiên của nó.

MoGe-2 không có mô hình tương đương. Đây là mô hình đơn ảnh, và chạy nó trên video nghĩa là chạy từng khung hình một và chấp nhận mọi hiện tượng nhấp nháy phát sinh. Đối với một tác vụ tái dựng tĩnh — trắc lượng ảnh, quy trình tạo tài nguyên 3D từ ảnh tĩnh, hay bất kỳ thứ gì mà mỗi khung hình đều độc lập — đó hoàn toàn không phải là hạn chế. Đối với robot hoặc lớp phủ AR, đó là sự khác biệt giữa dùng được và không dùng được.

“metric” có nghĩa là gì trong mỗi đầu ra

Cả hai mô hình đều tuyên bố đơn vị là mét, và cả hai đều xử lý từ này hơi khác nhau. Depth Pro 2 trả về khoảng cách dọc theo hướng nhìn của camera — tọa độ z — chứ không phải khoảng cách theo đường thẳng từ camera. Nó cũng chuẩn hóa độ sâu nghịch đảo theo tiêu cự, vì vậy độ sâu nghịch đảo bằng tiêu cự tính bằng pixel chia cho tích của chiều rộng ảnh và độ sâu. Các pixel bầu trời được trả về với độ sâu vô hạn, hoặc, đặc biệt trên các mô hình nhỏ hơn, với độ sâu hữu hạn vài kilômét, một chi tiết đáng xử lý trước khi bạn dựng đám mây điểm.

MoGe-2 trả về trực tiếp một bản đồ điểm, nhờ đó bỏ qua bước chuyển đổi đó. Đây là đầu ra hữu ích hơn nếu bạn dù sao cũng sẽ chuyển sang 3D, và đó là lý do mô hình báo cáo thông số nội tại cùng với độ sâu — bản đồ điểm chỉ có ý nghĩa trong một hệ tọa độ camera mà bạn cũng biết. Không đầu ra nào thay thế được một cảm biến độ sâu thực sự khi cảnh không có kết cấu để neo tỉ lệ; cả hai đều đang ước lượng, và cả hai sẽ bị trôi trên các bề mặt phản xạ hoặc trong suốt.

Cấp phép là quyết định, không phải thước đo chuẩn.

Cả hai mô hình đều không thể được sử dụng cho mục đích thương mại ngay khi phát hành, nhưng các hạn chế khác nhau theo những cách có ý nghĩa đối với việc đánh giá pháp lý. Trọng số của Depth Pro 2 thuộc giấy phép Apple Machine Learning Research Model, chỉ cho phép sử dụng cho mục đích nghiên cứu, với việc kho lưu trữ định nghĩa đó là các hoạt động nghiên cứu khoa học phi thương mại và phát triển học thuật. Mã nguồn được cấp phép riêng và kho lưu trữ thừa nhận rằng nó được xây dựng dựa trên TIMM và DINOv3.

Mã của MoGe-2 dùng giấy phép MIT, gần như không bị ràng buộc, dù trọng số không có điều khoản riêng trên model card và mã DINOv2 đi kèm dùng Apache 2.0. Nếu câu hỏi của bạn là "tôi có thể đưa cái này vào một sản phẩm không", thì câu trả lời trung thực cho cả hai là bạn cần trao đổi với bộ phận pháp lý, và cuộc trao đổi về MoGe-2 sẽ ngắn hơn. Nếu câu hỏi của bạn là "tôi có thể công bố một bài báo với cái này không", thì cả hai đều ổn.

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.

Những con số còn thiếu nên cho bạn biết điều gì

Báo cáo kỹ thuật của Depth Pro 2 vẫn chưa tồn tại. Khối trích dẫn của kho lưu trữ vẫn ghi arXiv:261X.XXXXX, và các chữ X không phải là nội dung bị che đi — chúng là phần giữ chỗ chưa được điền. Trang dự án nêu tên các chỉ số mà nó tuyên bố đạt được, Boundary F1 và Jitter, và không nêu tên bất kỳ baseline nào, chỉ nhắc đến "công trình trước đây vận hành trên một khung hình hoặc nhiều khung hình" và "các baseline ở cài đặt mặc định của chúng."

MoGe-2 có một bài báo thực sự, arXiv 2507.02546, nhưng phần tóm tắt của nó cũng không có số liệu; phần đánh giá được dời sang một tài liệu riêng. Vì vậy, bảng so sánh mà bạn có lẽ đang mong đợi không tồn tại ở cả hai bên, và bất kỳ bài viết nào đưa cho bạn một bảng như vậy đều đang trích dẫn cách đọc từ biểu đồ.

Điều này đáng ghi nhớ khi bạn định giá phần còn lại của stack. Một mô hình độ sâu chỉ là một chặng của pipeline, mà pipeline còn phải mô tả cảnh, quyết định xử lý ra sao và ghi kết quả ở đâu đó — và những chặng đó là các lệnh gọi mô hình ngôn ngữ, nơi giá được công bố và có thể so sánh trực tiếp. Đó là lý do để đặt chúng sau một API thay vì ba API: OrcaRouter định tuyến 217 mô hình trên một khóa duy nhất với mức cộng thêm 0%, nghĩa là giá niêm yết của nhà cung cấp được giữ nguyên, nên việc nhà cung cấp giảm giá có hiệu lực ngay trong ngày thay vì chờ mỗi khi một bên tổng hợp đồng bộ lại. Chuyển đổi dự phòng tự động giữa các nhà cung cấp cũng quan trọng vì lý do tương tự nhưng theo chiều ngược lại — nếu chặng suy luận là chặng phải luôn hoạt động, bạn muốn tác vụ độ sâu là thứ duy nhất trong pipeline được phép thất bại một cách âm thầm.

Nên chọn cái nào

Nếu bạn có video và quan tâm đến hiện tượng nhấp nháy, Depth Pro 2 là lựa chọn duy nhất trong hai lựa chọn này có câu trả lời, và câu trả lời của nó là kiến trúc thực sự — attention xuyên khung hình, các cửa sổ chồng lấn, một chế độ trực tiếp với hình phạt khởi động được ghi rõ. Hãy bắt đầu với S trên máy tính xách tay, như tài liệu của chính Apple gợi ý, và chỉ nâng cấp lên khi các cạnh chưa đủ sắc nét.

Nếu bạn có ảnh tĩnh và muốn có bản đồ điểm, MoGe-2 mang lại cho bạn nhiều bề mặt đầu ra hơn mỗi lần gọi, và các biến thể normal mang lại cho bạn tín hiệu thứ hai mà nếu không bạn sẽ phải ước lượng. Tỷ lệ mét của nó là điểm cải thiện so với MoGe-1, và nó vẫn giữ vững.

Điều mà cả hai đều không mang lại cho bạn là một tuyên bố có thể biện luận được rằng cái này tốt hơn cái kia, bởi vì cả hai phòng thí nghiệm đều không thực hiện thí nghiệm đó. Hãy coi cặp này như hai công cụ khác nhau với những cái tên chồng lấn, chứ không phải một danh sách xếp hạng, cho đến khi có ai đó công bố các con số.