单目深度估计里有一组很常见的取舍:要时序稳,就上多帧;要边缘利,就走单帧。Depth Pro 2 认为这不是必须接受的代价。它用同一个可扩展网络同时处理图像和视频,并在原生分辨率上预测稠密度量深度,目标是把度量精度、边界锐度和时序一致性放进一次前向,而不是事后用滤波去补。
先前工作卡在哪里
作者对已有方法的观察很直接:多帧路线更容易换来时间上的连贯,单帧路线更容易保住边界锐度。视频场景里,这两项会互相拆台——平滑了会糊边,锐了会闪烁。摘要没有点名具体模型或数据集,也没有给出定量差距,因此这里只能停留在问题陈述:现有工作往往在一致性和锐度之间做选择。Depth Pro 2 把打破这项权衡写成核心主张,并要求输出是度量深度、全分辨率,而不是相对深度或降采样结果。
网络形态与发布形态
实现上,材料能确定的只有几件事。网络是单一且可扩展的,图像和视频走同一套处理;深度图按原生分辨率预测。作者声称结果在度量准确性、锐利程度和时序一致性上同时优于先前工作,并发布一个模型家族,在度量精度、锐度、时序一致性与运行时间上划出新的帕累托前沿。把运行时间写进前沿,说明他们把速度当作一等指标,而不是只报最准的一个点。代码与权重已公开,便于按延迟和质量做选择。摘要未描述骨干网络、损失函数或训练数据。
我的判断
对三维重建、视频特效或需要可度量尺度的视觉系统来说,这条路线的吸引力很具体:一套权重兼顾静图和视频,还强调全分辨率锐边。价值主要在问题定义清楚,以及把速度放进同一权衡面。局限同样清楚:目前可见信息只有摘要,没有任何误差数字、帧率或基准名称,不能把「全面优于先前工作」读成已核实的结论。适用边界未知,域外、动态模糊、反射等难例有没有被覆盖,材料里没有说。更稳妥的用法是把开源模型当可复现的候选,用自己的数据验证锐度、抖动和尺度,而不是直接替换现有深度管线。