Video Depth Anything來了！位元組開源首款10分鐘級長視訊深度估計模型，效能SOTA

AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報道了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯絡報道。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

Video Depth Anything 工作來自位元組跳動智慧創作 AR 團隊與豆包大模型團隊。 位元組跳動智慧創作 AR 團隊致力於建設領先的計算機視覺、音視訊編輯、特效處理、3D 視覺與增強現實（AR）等技術。 豆包大模型團隊成立於 2023 年，致力於開發先進的 AI 大模型技術，成為業界一流的研究團隊。

單目深度估計模型，可根據二維 RGB 影象估計每個畫素點的深度資訊，在增強現實、3D 重建、自動駕駛領域應用廣泛。作為此領域的代表性成果， Depth Anything 系列在 Github 已總計收穫 11.6k Stars，應用範圍之廣、受歡迎程度之高也可見一斑。

但時間一致性問題限制了單目深度估計模型在視訊領域的實際應用。如何構建一個又準又穩又快的長視訊深度模型，成為單目深度估計進一步擴大應用範圍的關鍵。

近期，位元組智慧創作 AR 團隊聯合豆包大模型團隊開發的 Video Depth Anything（VDA） 成功解決這一難題。

VDA 基於 Depth Anything V2，它融合了高效的時空頭、精簡的時域一致性損失函式，以及新穎的基於關鍵幀長視訊推理策略，甚至可面向 10 分鐘級的視訊，完成深度估計任務。

在不犧牲泛化能力、細節生成能力和計算效率前提下，VDA 實現了時序穩定的深度估計，且無需引入複雜視訊生成先驗知識，為單目深度估計在視訊領域應用提供全新解決方案。

實驗結果表明，VDA 在視訊資料集的精度和穩定性指標均取得 SOTA，尤其精度提升超過 10 個百分點，且推理速度均遠快於此前同類模型，其速度是此前最高精度模型的 10 倍以上。在 V100 下，較小版本 VDA 模型推理速度甚至可達 30FPS（每秒 30 幀）。

目前，該論文成果和程式碼倉庫均已對外公開，專案上線數天已收穫 300+ Stars，X 原貼閱讀量也超過 2 萬，另有多個轉發閱讀量超 1 萬，包括 Gradio 官號。

• 論文連結：https://arxiv.org/abs/2501.12375
• 專案主頁：https://videodepthanything.github.io/
• 程式碼倉庫：https://github.com/DepthAnything/Video-Depth-Anything

視訊深度估計的挑戰

近年來單目深度估計（MDE）取得顯著進展。以 Depth Anything V2 為例，該模型在多種場景下均能展現強泛化能力，可生成細節豐富的深度預測結果，同時，具備較高的計算效率。

然而，該系列模型存在一定侷限。

具體來說，模型主要針對靜態影象設計，用於視訊場景時，很容易因畫面劇烈變化和運動模糊等因素，造成深度預測準確性和穩定性下降。

在一些對時間一致性要求較高的應用領域，如機器人、增強現實以及高階視訊編輯等，嚴重製約了模型的應用。

近期有一些方法如 DepthCrafter、Depth Any Video，將預訓練視訊擴散模型（ Video Diffusion Models）應用於視訊深度估計。

儘管它們在生成細節方面表現良好，但計算效率較低，無法充分利用現有深度基礎模型，精度也有待提升，處理視訊長度還存在限制，難以滿足實際應用中對長視訊的處理需求。

VDA 模型設計：兼顧預測精度與效率

• 從單圖深度模型到視訊深度模型

VDA 使用訓好的 Depth Anything V2 模型作為編碼器，並在訓練過程中，固定編碼器引數，降低訓練成本並保留已學習到的特徵。

VDA 設計了一個輕量級時空頭（Spatio-Temporal Head，STH），包含四個時間注意力層，這些層在每個空間位置上獨立進行時間維度資訊融合。

值得注意的是，VDA 僅在頭部引入時間注意力機制，同時引入影象和視訊訓練，避免在有限視訊資料上訓練，破壞原有模型特徵。

• 時空一致性約束

爲了約束時序一致性，並去除以往視訊深度模型訓練過程中對光流資訊的依賴，VDA 提出時序梯度匹配損失（Temporal Gradient Matching Loss）。

具體來說，不再從光流中獲得對應點，直接使用相鄰幀中相同座標深度來計算損失，假設相鄰幀中相同影象位置的深度變化應與真實值變化一致，類似於計算時間維度上的梯度：

• 超長視訊推理策略

爲了處理任意視訊長度，VDA 提出關鍵幀對齊和重疊區域插值方法，以對齊全域性尺度和偏移，並確保區域性視窗之間的平滑推理。

用於推理的後續視訊片段由 未來幀、重疊幀和關鍵幀組成，其中，關鍵幀從之前的幀中子取樣得到。

這種方法將早期視窗內容引入當前視窗，保持計算負擔最小，可顯著減少累積的尺度漂移，尤其利於長視訊處理。

實驗結果：

VDA 精度、速度、穩定性均重新整理 SOTA

VDA 在 6 個包含室內外場景的 Benchmark 上，從幾何精度、時序穩定性、耗時三個方面和學界 SOTA 方案進行對比。

其中，長視訊 Benchmark 精度和時序穩定性誤差均為最優。其中，VDA-L 在多項評估指標上面獲得最佳，VDA-S 的效果次之，雙雙大幅優於 DepthCrafter 和 DAv2-L。

研究者還發現，隨著視訊長度增長，VDA 比對 DepthCrafter 和 DepthAnyVideo 指標沒有明顯下降，這也是它在超長視訊上實現穩定深度估計的有力證明。

最後，團隊實驗還證明了 VDA 模型耗時遠小於其他視訊深度模型，即使相比單幀模型 Depth Anything V2，耗時也只增加約 10%。尤其 DVA-S 模型，單幀推理時間僅 9.1ms，面向實時性要求較高的場景，具有較大應用潛力。

更多實驗配置和測試細節請移步完整論文（https://arxiv.org/abs/2501.12375）

相關工作 Prompt Depth Anything 也已開源

除了視訊深度模型外，豆包大模型團隊於近期同浙江大學合作開源了 Prompt Depth Anything 技術，實現了 4K 解析度下的高精絕對深度估計（Metric Depth），一作豆包大模型團隊實習生同學。

絕對深度估計，指依靠模型，預測場景中每個畫素點到攝像機的真實物理距離（以米、毫米等物理單位表示）。相比當前百花齊放的基礎深度估計模型（如 Depth Anything V1&V2、Margold 等），絕對深度估計仍面臨巨大挑戰。

面向該問題，豆包大模型團隊與浙江大學聯合團隊受語言 / 視覺基礎模型中提示詞機制啓發，創新性地提出了深度估計基礎模型的提示機制 ——

通過以 iPhone LiDAR 感測器採集的 24x24 絕對深度作為提示，促使模型最多可輸出 3840x2160 同精度級別的絕對深度。該方法具有普適性，可應用於任意形式的提示內容，比如車載 LiDAR、雙目匹配深度、相機內參等。

團隊認為，該成果具備廣泛的下游應用空間，比如 3D 重建： 自動駕駛：  機器人抓取任務等：  該專案現已開源，更多方法介紹以及實驗結果見論文主頁（https://promptda.github.io/）。