Skip to main content

Depth Anything V1

Depth Anything V1 は、「任意の image に対して robust に動く monocular depth model」を作ることを目的とした foundation model です。中心的な idea は、新しい architecture を作ることではなく、大量の unlabeled image を活用することです。

問題意識​

Monocular depth estimation は、本質的に scale ambiguity を含む難しい task です。さらに、

  • Labeled depth dataset は規模が限られる (sensor 付きの撮影が必要)
  • 多くの dataset は indoor または driving のような特定 domain
  • そのため model が domain shift に弱くなりがち

という問題があります。

V1 の戦略​

V1 は、この問題に対して データ規模 で対抗します。

  • Labeled depth data で base になる teacher を train
  • 大量の unlabeled image に対して teacher で pseudo depth label を生成
  • Labeled + pseudo-labeled の combined dataset で student model を train

これは、self-training の発想を depth estimation に適用したものです。

なぜ大量データが効くのか​

Depth は、純粋な幾何ではなく prior にも強く依存します。「人がこれくらいの大きさで写っていれば、典型的な distance はこれくらい」「室内シーンの天井はだいたいこのくらい」のような prior は、たくさんの画像を見ることで得られます。

大量の unlabeled image を使うと、

  • 多様な scene layout
  • 多様な camera (focal length、aspect ratio)
  • 多様な lighting

をカバーでき、結果として domain robustness が向上します。

V1 の貢献の要点​

整理すると、V1 の貢献は次のとおりです。

  • Monocular depth を「狭い domain の supervised problem」から「大規模 self-training problem」へ位置づけ直した
  • 適切な data engineering で、relative depth model としての汎用性が大きく向上した
  • 後続の Depth Anything V2 / V3 の出発点となった

Relative depth か metric depth か​

V1 は基本的に relative depth を出します。Metric depth が必要な場合は、別途 metric depth dataset で fine-tuning します。詳しくは Relative vs Metric Depth を参照してください。

関連ページ​

主なソース​