一张生成的标题卡,顶部以大型深色几何字体写着 Depth Pro 2 vs MoGe-2,下方副标题为“两个度量深度模型,两块互不兼容的记分牌”,再往下是一条细长的蓝到青色渐变条。
Guides & Insights

Depth Pro 2 与 MoGe-2:视频一致性 vs 点图

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Depth Pro 2 和 MoGe-2 都是来自大型研究实验室的度量单目几何模型,而截至本文撰写时,尚无人公布将二者直接对比的数字。Apple 的 Depth Pro 2 报告了在 Sintel 和 Spring 数据集上平均的 Boundary F1 和 Jitter。Microsoft 的 MoGe-2 则在其自己的评估组合上报告相对几何精度、度量尺度和细节保持。这两组指标没有交集,这意味着你能找到的关于这一组合的每一个“X 胜过 Y”的说法,要么是编造的,要么是从两家实验室都未运行的基准中借来的。

这不是在回避问题。这是在你花一周去集成其中任何一个之前,最该知道的一件事。你能比较的是每个仓库实际交付了什么、每个模型在设计上本来就不擅长什么,以及这些弱点中哪些会落到你的流水线上。本文正是这样做的,并且明确说明哪些说法来自厂商的 README,哪些完全没有任何依据。

每个仓库实际包含的内容

Depth Pro 2 并非集中在单一仓库中,而是分布在多个 Hugging Face 仓库里。模型卡仓库 {{1}}apple/DepthPro2{{/1}} 存放 README 和图示;权重则按规模拆分到 {{2}}apple/DepthPro2-S{{/2}}、{{3}}apple/DepthPro2-B{{/3}}、{{4}}apple/DepthPro2-L{{/4}} 和 {{5}}apple/DepthPro2-H{{/5}}。另一个独立仓库 {{6}}apple/DepthPro2-focal{{/6}} 提供一个独立的 2350 万参数焦距估计器,可与任意规模的模型一同加载。还有一个仓库 {{7}}apple/DepthPro2-coreml{{/7}},存放面向 Apple 芯片的 Core ML 导出文件。代码仓库位于 GitHub 上的 {{8}}apple-aiml-research/ml-depth-pro-2{{/8}}。

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.

四种规格的跨度从 24M 参数、97 MB(S),经过 97M、386 MB(B)和 334M、1.3 GB(L),一直到 872M、3.5 GB(H+,默认)。它们的配置印证了家族关系:S 和 B 使用 DINOv3 ViT-S 和 ViT-B 骨干网络,并在第 5、7、9 和 11 个块使用跨帧注意力;L 将其扩大到第 9 至第 23 个块,并使用 256 维 DPT 解码器;H+ 则扩展到第 11 至第 31 个块,并在第 7、15、23 和 31 个块组装 token。

MoGe-2 以四个检查点的形式在 Ruicheng 组织下发布:moge-2-vitl 的参数量为 326M,且不包含法线;带 normal 的变体包括 331M 的 moge-2-vitl-normal、104M 的 moge-2-vitb-normal 和 35M 的 moge-2-vits-normal。每个模型都会返回 OpenCV 相机坐标系下的公制点图、深度图、归一化相机内参和有效像素掩码,而带 normal 的变体还会额外返回法线图。MoGe-2 是第二代模型;该系列此后已发展到 MoGe-3,后者于 2026 年 8 月 18 日发布,采用 1.25B 参数的 ViT-g 模型,因此 MoGe-2 现已成为上一版本,而非当前版本。

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.

两种设计出现分歧之处

• 输入模态——Depth Pro 2 接受一张照片、一个视频文件或实时摄像头画面;MoGe-2 接受单张图像。

• 核心主张——Depth Pro 2 声称具备锐度和时序一致性;MoGe-2 声称具备度量尺度以及精细细节,这通过统一的数据细化步骤实现,该步骤使用锐利的合成标签来过滤并补全真实训练数据。

• 输出内容 — Depth Pro 2 返回以米为单位的深度,以及它使用的焦距;MoGe-2 返回完整的点图、深度、内参和掩码,并在包含法线的变体中提供法线。

• 焦距 — Depth Pro 2 附带一个独立的估计器,还可以读取 EXIF 或接受以像素为单位的已知焦距;MoGe-2 可以将视场角作为可选的基准真值,以提高精度。

• 尺度 — MoGe-2 在 MoGe-1 的基础上加入了真实世界的度量尺度,而 MoGe-1 生成的是尺度未知的仿射不变点图;Depth Pro 2 则从原版 Depth Pro 继承了度量尺度。

• 许可证 — Depth Pro 2 的权重采用 Apple 机器学习研究模型许可证,仅限研究用途,定义为非商业性科学研究和学术开发。MoGe-2 代码采用 MIT 许可证,其中捆绑的 DINOv2 采用 Apache 2.0 许可证。

视频中的问题就是整个论点

Depth Pro 2 在架构上最显著的区别性决策是,多视图 Transformer 会联合处理一帧或多帧,并且在其前三分之一的块之后,交替使用帧内注意力和跨帧注意力。随后,DPT 解码器会为每一帧预测一张逆深度图。这正是 Jitter 数值——时间一致性指标——背后的机制,也是该模型之所以具备视频能力的原因。

在实践中,这意味着两种运行模式。默认的缓冲模式会处理 16 帧的片段,这些片段之间有 4 帧重叠,从而让片段衔接处的深度保持稳定;window 和 overlap 设置分别控制片段长度和重叠量。无缓冲模式会在每一帧到达时使用该帧及其之前的 15 帧进行预测,这正是摄像头场景所需的模式。Apple 自己的文档坦率说明了实时路径的代价:视频流开头的帧前面可供参考的帧更少,因此其深度不太稳定。一段视频的所有帧共用一个焦距,该焦距取其在第一个窗口内估计值的中位数。

MoGe-2 没有同类替代品。它是一个单图像模型,要在视频上运行它,就意味着逐帧运行,并接受由此产生的任何闪烁。对于静态重建任务——摄影测量、静态图像到 3D 资产的流程,以及任何各帧相互独立的任务——这根本不算限制。但对于机器人或 AR 叠加显示而言,这就是可用与不可用的区别。

每个输出中的“metric”是什么意思?

两个模型都声称以米为单位,但两者对这个词的处理略有不同。Depth Pro 2 返回的是沿相机视线方向的距离——即 z 坐标——而不是相机到点的直线距离。它还用焦距对逆深度做了归一化,因此逆深度等于以像素为单位的焦距除以图像宽度与深度的乘积。天空像素返回的深度是无穷大,或者,尤其是在较小的模型上,是一个几公里的有限深度——在构建点云之前,这个细节值得处理。

MoGe-2 直接返回点图,从而绕过了这一转换。如果你最终要做 3D,这是更有用的输出,这也是模型在报告深度的同时报告内参的原因——点图只有在你也已知的相机坐标系中才有意义。当场景没有可用于锚定尺度的纹理时,这两种输出都不能替代真实深度传感器;两者都是在估计,并且都会在反光或透明表面上发生漂移。

许可授权才是决策依据,而非基准测试

两个模型按交付状态均不可用于商业用途,但这些限制的差异会对法律审查产生影响。Depth Pro 2 的权重采用 Apple Machine Learning Research Model 许可证,该许可证仅允许用于研究目的,且仓库将其界定为非商业性科学研究与学术开发活动。代码另行许可,仓库亦说明其基于 TIMM 和 DINOv3 构建。

MoGe-2 的代码采用 MIT 许可证,这接近于无限制,不过权重在模型卡上并未单独列出条款,且捆绑的 DINOv2 代码采用 Apache 2.0。如果你的问题是“我能把它放进产品里发布吗”,对两者而言,诚实的答案都是你需要和法务谈一谈,而 MoGe-2 的谈话会更短。如果你的问题是“我能用它发表论文吗”,两者都没问题。

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.

缺失的数字应该告诉你什么

Depth Pro 2 的技术报告尚不存在。该仓库的引用块仍写着 arXiv:261X.XXXXX,而其中的 X 并不是被涂黑删节的内容——它们是一个尚未填写的占位符。项目页面列出了它声称胜出的指标,即 Boundary F1 和 Jitter,却没有列出任何基线,只提到“在单帧或多帧上运行的先前工作”以及“采用默认设置的基线”。

MoGe-2 有一篇真实的论文,arXiv 2507.02546,但它的摘要同样不含数字;评估被推迟到另一份文档中。所以,你大概希望看到的对比表在两边都不存在,任何递给你这样一张表的文章,都只是在引用图表读数。

在为技术栈的其余部分定价时,这一点值得牢记。深度模型只是流水线中的一个环节,而流水线还必须描述场景、决定如何处理,并把结果写到某处——这些环节都是语言模型调用,其定价是公开且可直接比较的。这正是把它们统一放在一个 API 之后、而不是三个 API 之后的理由:OrcaRouter 通过单一密钥路由 217 个模型以 0% 加价,这意味着提供商的标价原样传递,因此供应商降价当天即可生效,而不是等到聚合器重新同步时才生效。跨提供商的自动故障转移之所以重要,原因正好相反——如果必须保持在线的是推理环节,你会希望深度任务是流水线中唯一被允许静默失败的环节。

该选哪一个

如果你有视频,并且在意闪烁,那么在这两者中,Depth Pro 2 是唯一能给出答案的,而且它的答案是真正的架构——跨帧注意力、重叠窗口、带文档化预热惩罚的实时模式。按照 Apple 自己的文档建议,先从笔记本电脑上的 S 开始,只有在边缘不够锐利时才往上调。

如果你手头是静态图像,又想要一张点图,MoGe-2 单次调用能给出更多的输出内容,而法线变体则能提供另一个你原本只能自己估算的信号。它的度量尺度相比 MoGe-1 是一大改进,而且这一点确实站得住脚。

两者都无法给你一个站得住脚的论断,说其中一个比另一个更好,因为两家实验室都没有做过这项实验。在有人公布数据之前,要把这一对看作两个名称有重叠的不同工具,而不是一份排名清单。