一張生成的標題卡,以深色大型幾何字體寫著 Depth Pro 2 vs MoGe-2,副標題為「兩個公制深度模型,兩套互不相容的計分板」,位於一條細長的藍到青色漸層條上方。
Guides & Insights

Depth Pro 2 與 MoGe-2 對決:影片一致性 vs 點圖

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Depth Pro 2 與 MoGe-2 都是來自大型研究實驗室的公制單眼幾何模型,而截至本文撰寫時,尚未有人發表能讓兩者直接對比的數字。Apple 的 Depth Pro 2 報告的是 Boundary F1 與 Jitter,並在 Sintel 和 Spring 資料集上取平均。Microsoft 的 MoGe-2 則在其自有的評估組合上報告相對幾何準確度、公制尺度與細節保留度。這兩組指標沒有交集,這意味著你看到關於這組對比的每個「X 勝過 Y」說法,不是捏造的,就是借用自兩家實驗室都沒跑過的基準測試。

那不是推託。那是在你花上一週整合其中任何一個之前,最值得知道的一件事。你能比較的,是每個儲存庫實際交付了什麼、每個模型被設計成在哪些方面不擅長,以及那些弱點中哪些會落到你的管線上。本文做的正是這件事,而且它明確指出哪些說法來自廠商的 README,哪些則完全毫無根據。

每個儲存庫實際上包含什麼

Depth Pro 2 分佈於多個 Hugging Face 儲存庫,而非單一儲存庫。模型卡儲存庫 apple/DepthPro2 存放 README 與圖片;權重依模型大小拆分為 apple/DepthPro2-S、apple/DepthPro2-B、apple/DepthPro2-L 與 apple/DepthPro2-H。另一個獨立儲存庫 apple/DepthPro2-focal 則包含一個獨立的 2350 萬參數焦距估算器,可與任何大小的模型一起載入。還有一個 apple/DepthPro2-coreml,存放適用於 Apple 晶片的 Core ML 匯出檔。程式碼儲存庫是 GitHub 上的 apple-aiml-research/ml-depth-pro-2。

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.

這四種尺寸從 24M 參數、97 MB(S),到 97M、386 MB(B)與 334M、1.3 GB(L),再到 872M、3.5 GB(H+,預設)。其配置印證了同系列關係:S 與 B 使用 DINOv3 ViT-S 和 ViT-B 主幹,並在第 5、7、9、11 個區塊使用跨幀注意力;L 將其擴展至第 9 到 23 個區塊,並使用 256 維 DPT 解碼器;H+ 則擴展至第 11 到 31 個區塊,並在第 7、15、23、31 個區塊組合 token。

MoGe-2 以四個檢查點的形式在 Ruicheng 組織下發布:moge-2-vitl 為 326M 參數、不帶法線;而帶法線的 -normal 變體包括 331M 的 moge-2-vitl-normal、104M 的 moge-2-vitb-normal,以及 35M 的 moge-2-vits-normal。每個檢查點都會回傳 OpenCV 相機座標中的公制點圖、深度圖、正規化相機內參,以及有效像素遮罩;在帶有法線的變體上則會額外加入法線圖。MoGe-2 是第二代;此系列後來已推進至 MoGe-3,於 2026 年 8 月 18 日發布,搭載 1.25B 參數的 ViT-g 模型,因此 MoGe-2 現在是前一版,而非目前版本。

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.

這兩個設計分歧之處

• 輸入方式 — Depth Pro 2 接受單張照片、影片檔案或即時攝影機影像;MoGe-2 則接受單張影像。

• 核心主張 — {{1}}Depth Pro 2{{/1}} 宣稱具備銳利度與時間一致性;{{2}}MoGe-2{{/2}} 則宣稱兼具公制尺度與精細細節,而這是透過統一的資料精煉步驟達成,該步驟利用銳利的合成標籤來過濾並補全真實訓練資料。

• 輸出介面 — Depth Pro 2 以公尺為單位回傳深度,並附上它所使用的焦距;MoGe-2 則回傳完整的點圖、深度、相機內參與遮罩,而在包含法線的變體上還會一併回傳法線。

• 焦距 — Depth Pro 2 隨附獨立的估算器,也能讀取 EXIF 或接受以像素為單位的已知焦距;MoGe-2 則可將視野作為可選的真值輸入,以提升準確度。

• 尺度 — MoGe-2 在 MoGe-1 的基礎上新增了真實世界公制尺度,而 MoGe-1 產生的是尺度未知的仿射不變點圖;Depth Pro 2 則承襲原始 Depth Pro 的公制尺度。

• 授權 — Depth Pro 2 權重採用 Apple Machine Learning Research Model 授權,僅限研究用途,其定義為非商業性科學研究與學術開發。MoGe-2 程式碼為 MIT 授權,隨附的 DINOv2 則採用 Apache 2.0 授權。

影片中的問題就是整個論點

Depth Pro 2 在架構上的關鍵決策,是讓多視圖 Transformer 聯合處理一個或多個影格,並在其前三分之一的區塊之後,交替進行每個影格內的注意力與跨影格的注意力。接著由 DPT 解碼器為每個影格預測一張反向深度圖。這正是 Jitter 這個時間一致性指標背後的機制,也是為什麼這個模型終究具備影片處理能力。

實際上,這代表有兩種運作模式。預設的緩衝模式會處理彼此重疊四幀的 16 幀片段,藉此讓片段交接處的深度保持穩定;視窗與重疊設定則會顯示片段長度與重疊量。無緩衝模式會在每一幀到達時,使用該幀及其前 15 幀來預測每一幀,這正是相機所需的模式。Apple 自家的文件也坦率說明即時路徑的代價:串流最初的幀前面可供參考的幀較少,因此其深度較不穩定。一段影片的所有幀會採用同一個焦距,該焦距取自此影片第一個視窗內估計值的中位數。

MoGe-2 沒有對應的替代方案。它是單張影像模型,要在影片上執行就意味著逐幀執行,並接受隨之而來的任何閃爍。對於靜態重建任務——攝影測量、靜態影像轉 3D 資產的管線,或任何每一幀都彼此獨立的場景——這根本算不上限制。但對機器人或 AR 疊加顯示而言,這就是可用與不可用之間的差別。

在每個輸出中,「metric」代表什麼意思?

兩個模型都聲稱以公尺為單位,但兩者對這個詞的處理略有不同。Depth Pro 2 回傳的是沿相機觀看方向的距離——也就是 z 座標——而不是相機到物體的直線距離。它還會用焦距來正規化逆深度,因此逆深度等於以像素為單位的焦距除以影像寬度與深度的乘積。天空像素會回傳無限大的深度,或者——尤其在較小的模型上——回傳數公里的有限深度,這是在建立點雲之前值得處理的細節。

MoGe-2 直接回傳點圖,避開了那項轉換。如果你無論如何都要進行 3D 處理,那會是更有用的輸出,這也是模型在回報深度時一併回報內參的原因——點圖只有在你也知道相機座標系時才有意義。當場景沒有紋理可作為尺度錨定時,這兩種輸出都不能取代真實的深度感測器;兩者都只是在估計,而且兩者在反射或透明表面上都會漂移。

授權是決策,而非基準

這兩款模型在目前發布的形式下皆不可供商業使用,但其限制條件的差異在某些方面對法律審查至關重要。Depth Pro 2 的權重採用 Apple Machine Learning Research Model 授權條款,該授權僅允許出於研究目的使用,而該儲存庫將其定義為非商業性的科學研究與學術開發活動。程式碼另行授權,且該儲存庫聲明其建構於 TIMM 與 DINOv3 之上。

MoGe-2 的程式碼採用 MIT 授權,這接近於不受限制,不過模型卡上並未針對權重另外列出條款,而且隨附的 DINOv2 程式碼是 Apache 2.0。如果你的問題是「我能把這個放進產品裡出貨嗎?」,對兩者誠實的答案都是你需要和法務談一談,而 MoGe-2 的談話會比較短。如果你的問題是「我能用這個發表論文嗎?」,兩者都沒問題。

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.

缺失的數字應該告訴你什麼

Depth Pro 2 的技術報告尚未存在。該儲存庫的引用區塊仍寫著 arXiv:261X.XXXXX,而那些 X 並非遮蔽刪節——它們是尚未填入的佔位符。專案頁面列出了它聲稱勝出的指標:Boundary F1 與 Jitter,且未列出任何基線,僅提到「在單一影格或多個影格上運作的先前工作」以及「處於其預設設定的基線」。

MoGe-2 有一篇真實的論文,arXiv 2507.02546,但其摘要同樣不含數字;評估則延後到另一份文件。所以,你可能希望看到的比較表在雙方都不存在,而任何交給你這種比較表的文章,都只是在引用圖表讀數。

在你為技術堆疊其餘部分定價時,這一點值得記住。深度模型只是整條管線中的一個階段,而這條管線還得描述場景、決定該怎麼處理,並把結果寫到某處——而那些階段都是語言模型呼叫,其定價是公開的、可以直接比較。這就是為什麼主張把它們放在同一個 API 背後,而不是三個 API:OrcaRouter 用單一金鑰路由 217 個模型,零加成,也就是說供應商的定價原封不動地傳遞過來,因此供應商一降價,當天就生效,而不是等到聚合商重新同步。跨供應商的自動容錯移轉之所以重要,道理正好相反——如果必須維持運作的是推理階段,你會希望深度作業是整條管線中唯一被允許悄悄失敗的環節。

該選哪一個

如果你有影片,而且在意閃爍問題,Depth Pro 2 是這兩者中唯一有解方的,而它的解方是真正的架構——跨幀注意力、重疊視窗,以及一個有文件記載預熱代價的即時模式。依照 Apple 自家文件的建議,先在筆電上從 S 開始,只有在邊緣不夠銳利時才往上升級。

如果你有的是靜態影像,而你想要一張點圖,MoGe-2 每次呼叫能給你更多的輸出內容,而法線版本則提供你原本得自行估計的第二種訊號。它的公制尺度是相對 MoGe-1 的改進,而且站得住腳。

兩者都無法給你一個站得住腳的主張,宣稱它比另一個更好,因為兩個實驗室都沒做過這項實驗。在有人公布數據之前,請把這組配對視為名稱重疊的兩種不同工具,而不是一份排名清單。