/ Модель

Характеристики

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

DA3-LARGE

Оценка глубиныИзображение → depth_map3 профессии

DA3-LARGE — модель ByteDance Seed для оценки глубины по изображениям и определения поз камер в многовидовых сценах.

47 753скачиваний за 30 дней16лайковвеса обновлены19 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-LARGE — модель компьютерного зрения серии Depth Anything 3, разработанная командой ByteDance Seed для оценки глубины по изображениям с одной или нескольких точек обзора и оценки поз камеры. Она использует Vision Transformer с унифицированным представлением depth-ray; размер модели составляет 0,35 млрд параметров. Модель поддерживает относительную глубину, оценку позы и условие по позе.

Модель предназначена для визуальной геометрии сцен, включая восстановление глубины и взаимного положения камер. Авторы сообщают о превосходстве над Depth Anything 2 в оценке глубины по одному изображению и над VGGT в многовидовой оценке глубины и позы. Обучение проводилось на общедоступных академических датасетах.

Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Точность может снижаться на специализированных изображениях и зависит от качества изображения, освещения и сложности сцены.

Сценарии применения

  • оценка относительной глубины по одному изображению
  • восстановление глубины по нескольким ракурсам сцены
  • оценка позы камеры по изображениям
  • анализ визуальной геометрии сцены
  • использование оценки позы для обработки изображений с заданным условием камеры

Ограничения

Модель может хуже работать на специализированных изображениях; качество зависит от разрешения и состояния изображения, освещения и сложности сцены. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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-LARGE

Project Page Paper Demo # noqa: E501

Model Description

DA3 Large model for multi-view depth estimation and camera pose estimation. Foundation model with unified depth-ray representation.

PropertyValue
Model SeriesAny-view Model
Parameters0.35B
LicenseCC BY-NC 4.0

Capabilities

  • ✅ Relative Depth
  • ✅ Pose Estimation
  • ✅ Pose Conditioning

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-large")
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-large

# Use backend for faster repeated inference
da3 backend --model-dir depth-anything/da3-large
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

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
c54c26b

0 моделей