单目深度估算模型Depth Anything V2：通过分析单张图片来预测物体距离

来自香港大学和TikTok的研究人员推出单目深度估算模型Depth Anything的升级版Depth Anything V2，让计算机通过分析单张图片来预测物体距离的技术，这在自动驾驶、3D建模和虚拟现实等领域有着重要应用。研究团队新的评估基准DA-2K，这个基准包含精确的注释和多样化的场景，用于评估深度估计模型的性能，推动未来研究的发展。（相关：深度估算模型Depth Anything：让照片自动感知空间距离）

• 项目主页：https://depth-anything-v2.github.io
• 模型地址：https://huggingface.co/depth-anything
• Demo：https://huggingface.co/spaces/depth-anything/Depth-Anything-V2
• ComfyUI插件：https://github.com/kijai/ComfyUI-DepthAnythingV2

相较于V1版，V2版本通过三项核心策略实现了更细腻、更稳健的深度预测：1) 用合成图像全面替代了所有标记的真实图像；2) 扩大了教师模型的容量；3) 利用了大规模伪标记的真实图像作为媒介来训练学生模型。与近期基于Stable Diffusion技术构建的顶级模型对比，Depth Anything V2在效率上实现了显著提升（速度快了不止10倍），并且精度更高。研究团队提供了多种规模的模型（参数量跨度从2500万至13亿），以满足各类应用场景需求。凭借其出色的泛化能力，研究团队进一步通过加入度量深度标签对这些模型进行了微调，形成了我们的度量深度模型系列。

比如，在自动驾驶场景中，Depth Anything V2能够分析由车载摄像头拍摄的路面图像，预测行人、车辆和其他障碍物的距离，帮助汽车做出避让或减速的决策。在3D设计领域，设计师可以上传一张室内装饰的图片，Depth Anything V2能够预测出墙壁、家具等物体的深度信息，辅助设计师在虚拟空间中进行设计和布局。

主要功能：

• 深度预测：Depth Anything V2能够为单张图片生成深度图，预测图中各个物体的相对和绝对距离。

主要特点：

• 精细度和鲁棒性：与前一版本（V1）相比，V2版本在细节处理上更为精细，对复杂场景的预测更加稳健。
• 使用合成图像：该模型训练时不使用真实图像标签，而是全部替换为合成图像，以提高深度标签的精确度。
• 大规模伪标签真实图像：通过利用大规模未标记的真实图像和大型教师模型，V2版本在保持精确度的同时，增强了模型对真实世界场景的泛化能力。

工作原理：

1. 合成图像训练：首先，使用合成图像训练一个基础的教师模型，这些图像的深度标签非常精确。
2. 伪标签生成：然后，利用这个教师模型为大规模的真实图像生成伪深度标签。
3. 学生模型训练：最后，训练多个规模不等的学生模型，这些模型只使用带有伪标签的真实图像进行训练。

具体应用场景：

• 自动驾驶：在自动驾驶汽车中，精确的深度信息对于理解周围环境和做出安全驾驶决策至关重要。
• 3D建模和设计：在3D建模中，深度估计可以帮助设计师从2D图片中重建3D场景或物体。
• 虚拟现实和增强现实：为虚拟或增强现实应用提供深度信息，以实现更真实的交互体验。