技术突破与核心优势 - 采用单一视觉Transformer架构实现从单张图像、多视角照片到视频的任意视图3D重建，极大简化了模型设计[1][2][7] - 模型核心预测目标仅聚焦于深度和光线两个关键参数，通过双任务头输出深度图和光线参数[7][10] - 在全新视觉几何基准测试中，相机定位精度平均提升35.7%，几何重建准确率提高23.6%，单目深度估计超越前代DA2[3] 模型架构与工作流程 - 输入处理环节将多视角图像转化为特征块，相机参数通过编码器或可学习token处理，最终与图像特征融合[9] - 核心Transformer基于预训练的DINO，通过单视角自注意力和跨视角自注意力机制适应不同输入形式[9] - 除了深度和光线预测，模型还能从特征中提取相机姿态信息，确保相机运动轨迹精准[11] 训练策略与性能表现 - 采用师生蒸馏训练策略，利用教师模型从海量数据生成高质量伪标签，降低对精确标注数据的依赖[13][14] - 在整合了5个室内外数据集的基准上，模型能生成密度更高、噪声更低的3D点云，质量明显优于传统方法[14][16][17] - 支持从少量场景图片进行视角补全，生成未拍摄角度的图像，在虚拟漫游和数字孪生领域应用潜力巨大[19] 团队背景与行业影响 - 项目由字节跳动研究科学家康炳易带队，其领导的Depth Anything系列此前已被苹果CoreML库收录[20][25] - 核心研究人员拥有加州伯克利和新加坡国立大学人工智能专业背景，并与谢赛宁等业内专家有过合作[23][24]

机器之心报道 编辑：泽南、杨文 现在，只需要一个简单的、用深度光线表示训练的 Transformer 就行了。 这项研究证明了，如今大多数 3D 视觉研究都存在过度设计的问题。 本周五，AI 社区最热门的话题是一篇新论文，有关 3D 建模的。 经过一年多的探索，来自字节跳动的团队推出了 Depth Anything 3（DA3），将单目深度估计扩展到了任何 视角场景，让计算机实现了媲美人类的空间感知。 为了追求最小建模，DA3 的工作获得了 两个关键见解 ： 就是这样的方法， 在姿态估计方面比当前业界最先进的方法 (SOTA) 提升了 44%，在几何估计方面提升了 25%。 原来 3D 视觉竟然这么简单？ 纽约大学计算机科学助理教授、知名 AI 学者谢赛宁表示，论文有点像电影：第一部通常是最好的，续集往 往更复杂却并不更精彩。但这完全不适用于 DepthAnything 系列。 Bingyikang 的团队每次都能让事情变得更 简单、更易于扩展。 论文：https://arxiv.org/abs/2511.10647 项目页面：https://depth-anything-3.github.io 代码：htt ...