/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
depth-anything-3
Опубликована
13 ноя 2025

DA3-GIANT

Оценка глубиныИзображение → depth_map3 профессии

Флагманская Vision Transformer-модель ByteDance для оценки глубины, позы камеры и 3D-геометрии сцен по изображениям.

125 тыс.скачиваний за 30 дней17лайковвеса обновлены13 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DA3-GIANT — флагманская модель семейства Depth Anything 3 от команды ByteDance Seed для оценки визуальной геометрии по изображениям. Это Vision Transformer с единым представлением depth-ray и 1,15 млрд параметров; модель поддерживает оценку относительной глубины, оценку позы камеры, обусловливание по позе и оценку 3D Gaussian. В карточке Hugging Face указаны библиотека Depth Anything 3, формат safetensors и задача depth-estimation.

Модель предназначена для оценки глубины по одному или нескольким изображениям, восстановления позы камеры и получения 3D-представления сцен. README сообщает, что она превосходит Depth Anything 2 в монокулярной оценке глубины и VGGT в многовидовой оценке глубины и позы; подробные результаты отсылаются к статье. Обучение проводилось на открытых академических датасетах.

Качество может снижаться на специализированных изображениях и зависеть от качества снимков, освещения и сложности сцены. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

Сценарии применения

  • оценка относительной глубины по одному изображению
  • оценка глубины сцены по нескольким ракурсам
  • восстановление позы камеры по изображениям
  • обусловливание оценки глубины известной позой камеры
  • получение 3D Gaussian-представления сцены

Ограничения

Модель может хуже работать на специализированных изображениях; результат зависит от качества снимка, освещения и сложности сцены. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Depth Anything 3: DA3-GIANT

Project Page Paper Demo # noqa: E501

Model Description

DA3 Giant model for multi-view depth estimation, camera pose estimation, and 3D Gaussian estimation. This is the flagship foundation model with unified depth-ray representation.

PropertyValue
Model SeriesAny-view Model
Parameters1.15B
LicenseCC BY-NC 4.0

⚠️ Non-commercial use only due to CC BY-NC 4.0 license.

Capabilities

  • ✅ Relative Depth
  • ✅ Pose Estimation
  • ✅ Pose Conditioning
  • ✅ 3D Gaussians

Quick Start

Installation

git clone https://github.com/ByteDance-Seed/depth-anything-3
cd depth-anything-3
pip install -e .

Basic Example

import torch
from depth_anything_3.api import DepthAnything3

# Load model from Hugging Face Hub
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = DepthAnything3.from_pretrained("depth-anything/da3-giant")
model = model.to(device=device)

# Run inference on images
images = ["image1.jpg", "image2.jpg"]  # List of image paths, PIL Images, or numpy arrays
prediction = model.inference(
    images,
    export_dir="output",
    export_format="glb"  # Options: glb, npz, ply, mini_npz, gs_ply, gs_video
)

# Access results
print(prediction.depth.shape)        # Depth maps: [N, H, W] float32
print(prediction.conf.shape)         # Confidence maps: [N, H, W] float32
print(prediction.extrinsics.shape)   # Camera poses (w2c): [N, 3, 4] float32
print(prediction.intrinsics.shape)   # Camera intrinsics: [N, 3, 3] float32

Command Line Interface

# Process images with auto mode
da3 auto path/to/images \
    --export-format glb \
    --export-dir output \
    --model-dir depth-anything/da3-giant

# Use backend for faster repeated inference
da3 backend --model-dir depth-anything/da3-giant
da3 auto path/to/images --export-format glb --use-backend

Model Details

  • Developed by: ByteDance Seed Team
  • Model Type: Vision Transformer for Visual Geometry
  • Architecture: Plain transformer with unified depth-ray representation
  • Training Data: Public academic datasets only

Key Insights

💎 A single plain transformer (e.g., vanilla DINO encoder) is sufficient as a backbone without architectural specialization. # noqa: E501

✨ A singular depth-ray representation obviates the need for complex multi-task learning.

Performance

🏆 Depth Anything 3 significantly outperforms:

  • Depth Anything 2 for monocular depth estimation
  • VGGT for multi-view depth estimation and pose estimation

For detailed benchmarks, please refer to our paper. # noqa: E501

Limitations

  • The model is trained on academic datasets and may have limitations on certain domain-specific images # noqa: E501
  • Performance may vary depending on image quality, lighting conditions, and scene complexity
  • ⚠️ Non-commercial use only due to CC BY-NC 4.0 license.

Citation

If you find Depth Anything 3 useful in your research or projects, please cite:

@article{depthanything3,
  title={Depth Anything 3: Recovering the visual space from any views},
  author={Haotong Lin and Sili Chen and Jun Hao Liew and Donny Y. Chen and Zhenyu Li and Guang Shi and Jiashi Feng and Bingyi Kang},  # noqa: E501
  journal={arXiv preprint arXiv:XXXX.XXXXX},
  year={2025}
}

Links

Authors

Haotong Lin · Sili Chen · Junhao Liew · Donny Y. Chen · Zhenyu Li · Guang Shi · Jiashi Feng · Bingyi Kang # noqa: E501

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · depth-anything-3 · depth-estimation

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
7cd62ae

0 моделей