一張生成的標題卡,以大型深色幾何字體寫著「Depth Pro 2 vs UniDepth V2」,下方副標題為「一個模型,還是一個得自行挑選規模的家族」,整體位於一條細長的藍到青色漸層條上方。
Guides & Insights

Depth Pro 2 與 UniDepth V2:單一模型,還是整個家族?

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 有趣的地方不在於它會估計深度。UniDepth V2 也會,而且自其論文於 2025 年 2 月以 arXiv 2502.20110 發表以來,就在零樣本設定下於十個資料集上回報這項結果。有趣的是,Depth Pro 2 拒絕成為單一模型。Apple 將它以四種尺寸,外加一個焦距估計器與一個 Core ML 匯出形式推出,而你選擇的尺寸會改變模型能對你造成的影響,其程度幾乎不亞於你選擇了哪個模型。

兩者都是度量單目估計器,經過訓練可處理從未見過的影像。Depth Pro 2 沿相機的觀看軸回傳以公尺為單位的深度;UniDepth V2 回傳度量深度與相機座標中的點雲,以及它推斷出的內參。兩者都會估計相機,而不是要求事先提供相機資訊。真正重要的比較不是準確度——這兩個實驗室尚未跑過共同的基準測試——而是兩者各自把多少部署決策留給你。

四種尺寸對比三種主幹

UniDepth V2 的模型庫包含三個檢查點:unidepth-v2-vits14、unidepth-v2-vitb14 和 unidepth-v2-vitl14,每個 ViT 主幹尺寸各一個。論文描述了一個可自我提示的相機模組,會預測稠密相機表徵來調節深度特徵;一個偽球面輸出,用來分離相機與深度表徵;一個繼承自 UniDepth V1 的邊緣引導損失;以及一個不確定性輸出。此模型接受已知內參或相機類別——Pinhole、Fisheye624——且當你提供這些時會跳過預測。

Depth Pro 2 的四種尺寸為:S 具 24M 參數、97 MB,B 具 97M 參數、386 MB,L 具 334M 參數、1.3 GB,H+ 具 872M 參數、3.5 GB。設定檔讓縮放具體化:S 與 B 分別執行 DINOv3 ViT-S 與 ViT-B 主幹,並在第 5、7、9、11 個區塊進行跨幀注意力;L 執行 ViT-L,並在第 9 到 23 個區塊進行注意力;H+ 執行 ViT-H+,並在第 11 到 31 個區塊進行注意力。解碼器維度從 S 的 64 倍增為 B 的 128,以及 L 與 H+ 的 256。

A screenshot of the Hugging Face model card for apple/DepthPro2, captured November 20 2026, showing the four size variants with their parameter counts and file sizes.

• 參數範圍 — UniDepth V2 涵蓋三種 ViT 尺寸,模型卡上未公布參數量;Depth Pro 2 涵蓋 24M 到 872M,參數量列於 README 中。

• 預設檢查點 — Depth Pro 2 預設為 H+,大小 3.5 GB;UniDepth V2 則將選擇權留給呼叫端。

• 匯出目標 — Depth Pro 2 為 Apple 硬體提供 Core ML 套件,另有一個獨立的 2,350 萬參數焦距估算器;UniDepth V2 則提供 ONNX 支援。

• 相機型號 — UniDepth V2 提供 Pinhole 與 Fisheye624 類別,並接受已知的內參;Depth Pro 2 假設使用透視相機、讀取 EXIF,或以獨立模型估算焦距。

• 不確定性 — UniDepth V2 會輸出信心度;Depth Pro 2 則不會。

A screenshot of the Hugging Face model card for UniDepth V2, captured November 20 2026, showing the unidepth-v2-vits14, unidepth-v2-vitb14 and unidepth-v2-vitl14 checkpoints.

公制尺度的譜系走向相反方向

UniDepth V2 是對公制深度設計的改良,論文明確指出 V2 的任務是讓架構更簡單、更有效率,同時透過邊緣引導的局部 SSI 增加更銳利的邊緣、透過解析度層級設定支援彈性的輸入形狀與比例、更快的推論、ONNX 支援,以及新的相機模型。在 delta-1 指標上(數值越高越好)所報告的零樣本數據為:NYUv2 98.8、SUN-RGBD 96.4、ETH3D 85.2、iBims-1 94.5、KITTI 98.9、Nuscenes 87.0、DDAD 88.2,總計涵蓋十個資料集。這些數據由廠商自行報告,此處並未重現。

Depth Pro 2 則是從另一個方向達到公制尺度。原版 Depth Pro 是一個用於零樣本公制深度的基礎模型,能在 0.3 秒內產生 2.25 百萬像素的深度圖,並可從單張影像估計焦距;而 Depth Pro 2 的貢獻不在於尺度,而在於一致性——銳利的邊界,以及跨影格穩定的深度。目前並沒有為它發布的 delta-1 表。專案頁面將 Boundary F1 與 Jitter 列為它聲稱勝出的指標,卻未給出數值;而引用區塊仍指向 arXiv:261X.XXXXX,這是佔位符,而非論文。

所以這兩個模型並不是在同一個軸線上競爭。UniDepth V2 是一個深度估計器,具有強而有力、以表格呈現的零樣本表現論述。Depth Pro 2 是一個已被做成時間穩定的深度估計器,而支持這一點的證據是一張圖表和一個主張。如果你的評估標準是「哪一個有我可以放進採購文件的數字」,UniDepth V2 有這些數字,而 Depth Pro 2 目前還沒有。

輸出實際上提供給你的內容

輸出形態的差異比表面上看起來更大。UniDepth V2 直接給你一個已以相機座標表示的點雲,附帶讓它有意義的內參,以及可讓你設定閾值的不確定性通道。Depth Pro 2 給你一張深度圖,加上它選定的焦距,這意味著轉換成 3D 的工作要由你來寫,出錯也得由你負責。如果你是在產出資產,UniDepth V2 省下一個階段。如果你是在產出深度——遮罩、AR 遮擋遮罩、焦點轉移——那些額外結構就是你不需要的工作。

在無紋理或反光的表面上,這兩個模型都無法取代深度感測器。兩者都是從視覺證據推估尺度,也都會因為相同的原因,在相同的地方出錯。

授權,以及商業層面的問題

UniDepth V2 以 Creative Commons BY-NC 4.0 發布,該授權為非商業性。Depth Pro 2 的權重採用 Apple Machine Learning Research Model 授權,該儲存庫將其定義為僅限研究用途——非商業科學研究與學術開發。在授權問題上,兩者處境相同:兩者都不是產品授權,且兩者在涉及營收之前都需要進行法律層面的討論。

差別在於它們周圍的配套。UniDepth V2 的程式碼儲存庫是參考實作,而模型卡會指向它作為文件;Depth Pro 2 則提供可用 pip 安裝的套件,包含命令列、Python API、Mac 示範應用程式,並明確聲明該儲存庫包含執行模型的程式碼,但不包含訓練或評估程式碼。如果你在評估「團隊能多快用這個工具產生生產力」,Depth Pro 2 已經幫你多做了這部分的工作。

A screenshot of the GitHub repository page for the UniDepth V2 reference implementation, captured November 20 2026, showing the README, the ONNX export notes and the license notice.

在真實系統中,這通常每次都會落在同一個位置:深度模型只是管線中的一次呼叫,而它周遭的管線才是成本與脆弱性所在。OrcaRouter 把 217 個模型置於單一 OpenAI 相容端點之後以 0% 加成——供應商標價原封不動地傳遞——並加入跨供應商的自動容錯移轉,因此必須優雅降級的深度階段,不必再簽第二份供應商合約就能做到。路由不是深度管線中有趣的部分,但它是決定管線能否持續運作的部分。

如何選擇

當你需要同時取得深度與幾何、能提供相機模型,且需要可引用的數值時,就選用 UniDepth V2。這套十資料集評估是這兩個模型各自已發表證據中最有力的一項,而信心輸出對於在下游過濾不良預測確實很有用。

當你需要尺寸轉盤和影片處理路徑時,就選 Depth Pro 2。從筆電上的 S 起步、再轉到伺服器上的 H+,是 Apple 有文件記載的實際工作流程;而獨立的焦距估算器意味著你可以只跑一次相機解算,之後重複使用。不過,時序一致性設計只有在影片上才划算——在靜態照片上,你等於在為根本用不到的跨幀注意力付出成本。

你不該做的,是去讀一篇把這兩者分出高下的比較。並不存在共用的基準測試,而每個實驗室所選的指標,正是各自擅長的指標。如果你今天就得做出決定,那打破僵局的依據是輸出格式與授權條款,而不是誰勝誰負。