2025/01/27 20:33

Video Depth Anything来了！字节开源首款10分钟级长视频深度估计模型，性能SOTA

AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

Video Depth Anything 工作来自字节跳动智能创作 AR 团队与豆包大模型团队。字节跳动智能创作 AR 团队致力于建设领先的计算机视觉、音视频编辑、特效处理、3D 视觉与增强现实（AR）等技术。豆包大模型团队成立于 2023 年，致力于开发先进的 AI 大模型技术，成为业界一流的研究团队。

单目深度估计模型，可根据二维 RGB 图像估计每个像素点的深度信息，在增强现实、3D 重建、自动驾驶领域应用广泛。作为此领域的代表性成果，Depth Anything 系列在 Github 已总计收获 11.6k Stars，应用范围之广、受欢迎程度之高也可见一斑。

但时间一致性问题限制了单目深度估计模型在视频领域的实际应用。如何构建一个又准又稳又快的长视频深度模型，成为单目深度估计进一步扩大应用范围的关键。

近期，字节智能创作 AR 团队联合豆包大模型团队开发的 Video Depth Anything（VDA）成功解决这一难题。

VDA 基于 Depth Anything V2，它融合了高效的时空头、精简的时域一致性损失函数，以及新颖的基于关键帧长视频推理策略，甚至可面向 10 分钟级的视频，完成深度估计任务。

在不牺牲泛化能力、细节生成能力和计算效率前提下，VDA 实现了时序稳定的深度估计，且无需引入复杂视频生成先验知识，为单目深度估计在视频领域应用提供全新解决方案。

实验结果表明，VDA 在视频数据集的精度和稳定性指标均取得 SOTA，尤其精度提升超过 10 个百分点，且推理速度均远快于此前同类模型，其速度是此前最高精度模型的 10 倍以上。在 V100 下，较小版本 VDA 模型推理速度甚至可达 30FPS（每秒 30 帧）。

目前，该论文成果和代码仓库均已对外公开，项目上线数天已收获 300+ Stars，X 原贴阅读量也超过 2 万，另有多个转发阅读量超 1 万，包括 Gradio 官号。

论文链接：https://arxiv.org/abs/2501.12375
项目主页：https://videodepthanything.github.io/
代码仓库：https://github.com/DepthAnything/Video-Depth-Anything

视频深度估计的挑战

近年来单目深度估计（MDE）取得显著进展。以 Depth Anything V2 为例，该模型在多种场景下均能展现强泛化能力，可生成细节丰富的深度预测结果，同时，具备较高的计算效率。

然而，该系列模型存在一定局限。

具体来说，模型主要针对静态图像设计，用于视频场景时，很容易因画面剧烈变化和运动模糊等因素，造成深度预测准确性和稳定性下降。

在一些对时间一致性要求较高的应用领域，如机器人、增强现实以及高级视频编辑等，严重制约了模型的应用。

近期有一些方法如 DepthCrafter、Depth Any Video，将预训练视频扩散模型（ Video Diffusion Models）应用于视频深度估计。

尽管它们在生成细节方面表现良好，但计算效率较低，无法充分利用现有深度基础模型，精度也有待提升，处理视频长度还存在限制，难以满足实际应用中对长视频的处理需求。

VDA 模型设计：兼顾预测精度与效率

从单图深度模型到视频深度模型

VDA 使用训好的 Depth Anything V2 模型作为编码器，并在训练过程中，固定编码器参数，降低训练成本并保留已学习到的特征。

VDA 设计了一个轻量级时空头（Spatio-Temporal Head，STH），包含四个时间注意力层，这些层在每个空间位置上独立进行时间维度信息融合。

值得注意的是，VDA 仅在头部引入时间注意力机制，同时引入图像和视频训练，避免在有限视频数据上训练，破坏原有模型特征。

时空一致性约束

为了约束时序一致性，并去除以往视频深度模型训练过程中对光流信息的依赖，VDA 提出时序梯度匹配损失（Temporal Gradient Matching Loss）。

具体来说，不再从光流中获得对应点，直接使用相邻帧中相同坐标深度来计算损失，假设相邻帧中相同图像位置的深度变化应与真实值变化一致，类似于计算时间维度上的梯度：

超长视频推理策略

为了处理任意视频长度，VDA 提出关键帧对齐和重叠区域插值方法，以对齐全局尺度和偏移，并确保局部窗口之间的平滑推理。

用于推理的后续视频片段由未来帧、重叠帧和关键帧组成，其中，关键帧从之前的帧中子采样得到。

这种方法将早期窗口内容引入当前窗口，保持计算负担最小，可显著减少累积的尺度漂移，尤其利于长视频处理。

实验结果：

VDA 精度、速度、稳定性均刷新 SOTA

VDA 在 6 个包含室内外场景的 Benchmark 上，从几何精度、时序稳定性、耗时三个方面和学界 SOTA 方案进行对比。

其中，长视频 Benchmark 精度和时序稳定性误差均为最优。其中，VDA-L 在多项评估指标上面获得最佳，VDA-S 的效果次之，双双大幅优于 DepthCrafter 和 DAv2-L。

研究者还发现，随着视频长度增长，VDA 比对 DepthCrafter 和 DepthAnyVideo 指标没有明显下降，这也是它在超长视频上实现稳定深度估计的有力证明。

最后，团队实验还证明了 VDA 模型耗时远小于其他视频深度模型，即使相比单帧模型 Depth Anything V2，耗时也只增加约 10%。尤其 DVA-S 模型，单帧推理时间仅 9.1ms，面向实时性要求较高的场景，具有较大应用潜力。

更多实验配置和测试细节请移步完整论文（https://arxiv.org/abs/2501.12375）

相关工作 Prompt Depth Anything 也已开源

除了视频深度模型外，豆包大模型团队于近期同浙江大学合作开源了 Prompt Depth Anything 技术，实现了 4K 分辨率下的高精绝对深度估计（Metric Depth），一作豆包大模型团队实习生同学。

绝对深度估计，指依靠模型，预测场景中每个像素点到摄像机的真实物理距离（以米、毫米等物理单位表示）。相比当前百花齐放的基础深度估计模型（如 Depth Anything V1&V2、Margold 等），绝对深度估计仍面临巨大挑战。

面向该问题，豆包大模型团队与浙江大学联合团队受语言 / 视觉基础模型中提示词机制启发，创新性地提出了深度估计基础模型的提示机制 ——

通过以 iPhone LiDAR 传感器采集的 24x24 绝对深度作为提示，促使模型最多可输出 3840x2160 同精度级别的绝对深度。该方法具有普适性，可应用于任意形式的提示内容，比如车载 LiDAR、双目匹配深度、相机内参等。

团队认为，该成果具备广泛的下游应用空间，比如 3D 重建：

自动驾驶：

机器人抓取任务等：

该项目现已开源，更多方法介绍以及实验结果见论文主页（https://promptda.github.io/）。

产业字节智能创作 AR 团队豆包大模型Video Depth Anything