字节开源模型 DA3 使用教程：从任意视角恢复视觉空间

前言

本文提出Depth Anything 3（DA3）模型，该模型可从任意视觉输入中预测空间一致的几何结构，无论是否已知摄像机姿态。在追求最小化建模的过程中，DA3 揭示了两个关键洞见：

• 单纯的 Transformer 模型（如基础 DINO 编码器）即可作为骨干网络，无需专门架构设计；
• 统一的深度光线表示消除了复杂多任务学习的需求；

在单目深度估计中，DA3 显著超越 DA2；在多视角深度估计与姿态估计中，其表现优于 VGGT 模型。所有模型均仅基于公开学术数据集训练。