Depth Anything 3：从任意视角恢复视觉空间
计算机视觉与模式识别
2025-11-14 v1
摘要
我们提出 Depth Anything 3 (DA3)，一个模型，从任意数量的视觉输入（无论是否已知相机姿态）预测空间一致的几何。为实现最小建模，DA3 提出两个关键洞察：单个普通变换器（如 vanilla DINO 编码器）作为 backbone 足以，无需特定的架构专门化；单一深度射线预测目标消除了复杂多任务学习的需求。通过我们的教师-学生训练范式，该模型在细节和泛化性方面达到与 Depth Anything 2 (DA2) 相当的水平。我们建立了一个新的视几何基准，覆盖相机姿态估计、任意视图几何和视觉渲染。在该基准上，DA3 在所有任务上均达到最新状态，平均以相机姿态精度提高 44.3%、几何精度提高 25.1%。此外，它在单目深度估计中超过 DA2。所有模型仅在公开学术数据集上训练。
引用
@article{arxiv.2511.10647,
title = {Depth Anything 3: Recovering the Visual Space from Any Views},
author = {Haotong Lin and Sili Chen and Junhao Liew and Donny Y. Chen and Zhenyu Li and Guang Shi and Jiashi Feng and Bingyi Kang},
journal= {arXiv preprint arXiv:2511.10647},
year = {2025}
}
备注
https://depth-anything-3.github.io/