技术突破与核心观点 - 字节跳动团队推出Depth Anything 3（DA3），将单目深度估计扩展至任意视角场景，使计算机空间感知能力媲美人类[5] - 研究证明当前多数3D视觉研究存在过度设计问题，仅需一个简单的、用深度光线表示训练的Transformer即可实现强大性能[2][9] - DA3采用最小化建模理念，仅使用标准Transformer架构（如DINOv2编码器）和单一深度光线预测目标，无需复杂多任务学习或专门架构设计[7][12] 方法创新与架构设计 - DA3将几何重建目标建模为密集预测任务，训练模型根据N张输入图像输出N个对应的深度图和光线图[13] - 引入输入自适应的跨视图自注意力机制，在前向传播中动态重新排列token以实现跨视图高效信息交换[13] - 采用双DPT头联合输出深度值和光线值，并通过相机编码器选择性整合已知相机姿态增强灵活性[13] - 训练采用师生范式统一不同训练数据，使用伪标注策略为真实世界数据生成高质量伪深度图[14] 性能表现与基准测试 - 在姿态估计方面比当前最先进方法（SOTA）提升44%，在几何估计方面提升25%[7] - 建立新视觉几何基准，在10项任务中均取得SOTA成绩，相机姿态精度比SOTA VGGT平均提高35.7%，几何精度提高23.6%[15] - 单目深度估计性能优于Depth Anything V2，同时在细节和鲁棒性方面表现相当[15] - 所有模型完全基于公开学术数据集训练[16] 应用潜力与功能展示 - 具备视频重建能力，能从任意数量视图（单视图到多视图）恢复视觉空间[18] - 提升SLAM性能，在大规模环境下仅替换VGGT-Long中的VGGT（DA3-Long）即可显著降低漂移，效果优于需48小时以上的COLMAP[20] - 通过冻结主干网络并训练DPT头部预测3D高斯参数，实现强大泛化能力的新颖视图合成[22] - 适用于自动驾驶多摄像头空间感知，从车辆不同视角估计稳定可融合的深度图[24]