源地址：https://depth-anything-v2.github.io/
模型解读：
Depth Anything V2 是一个 单张图像深度估计模型（monocular depth estimation）。
它主要预测 相对深度（relative depth，或称 affine-invariant inverse depth）。
👉 输出的深度图能保证远近关系正确，但不包含真实物理单位（如米）。
三阶段训练流程
教师网络（Teacher Model）
- 大容量模型（基于 DINOv2-Giant 编码器 + 解码器）。
- 在高质量、精确标注的 synthetic（三维合成数据） 上训练。
- synthetic 深度标注是“理想的”：无噪声、细粒度。
伪标签生成（Pseudo-Labeling）
- 教师网络用于对大量 未标注真实图片 生成深度预测。
- 得到高质量的 伪深度标签（pseudo depth labels）。
学生网络（Student Models）训练
- 使用带伪标签的真实图像训练。
- 学生网络规模更小、效率更高，推理速度快，泛化能力更好。
核心训练思想
- V1 → V2 的改进：
V2 完全用 synthetic 数据替代真实带标签图像训练教师模型。
避免了真实深度标签的噪声、不一致、分辨率问题。 - 学生模型训练：
仅依赖教师生成的 真实图像伪标签。
输出形式与绝对深度
默认输出：仿射不变的反深度
- 深度结果在不同点之间的远近关系正确。
- 但绝对尺度不确定（输出可被 scale + shift 调整）。
获取物理深度（metric depth，单位米）：
- 需要在少量带物理标签的数据集（如 NYU Depth、KITTI）上 fine-tune。
- 使模型将相对深度映射到真实距离。
模型规模与效率
- 提供多个版本：Small, Base, Large, Giant。
- 参数规模从 数千万到十几亿 不等。
相比基于 Stable Diffusion 的深度估计方案：
- 速度更快
- 资源消耗更低
数据规模
- 教师模型训练：约 595,000 张 synthetic 图像。
- 学生模型训练：约 62,000,000+ 张真实图像（伪标签）。
结论
- Depth Anything V2 = 教师网络（synthetic 训练） + 学生网络（伪标签训练）
- 默认输出 相对深度（仿射不变反深度）。
- 要得到带“米”的 绝对深度，需额外微调。
测试：
测试逻辑：
- 目标：通过原图生成深度图，评估还原度与原图的接近程度。
规律：
- 原图越接近 → 还原度越好 → 深度更准确。
- 复杂材质/地板识别差：平面多材质理解不足，如果提示词中未明确说明，只能还原大结构。
- 分辨率影响显著：800px 与 1600px 的结果差距很大。
模型与测试结果ComfyUI 深度模型测试对比表
| 模型 | 分辨率 | 耗时 | 效果表现 |
|---|---|---|---|
| depth_anything_v2_vits_fp16 | 800px | 15s | 人物结构严重错误 |
| 1600px | 53s | 效果相对较好 | |
| 2400px | 464s | 人物更差，但桌子、栏杆更准确，右边椅子出现 | |
| depth_anything_v2_vits_fp32 | 1600px | 58s | 左边墙和桌子略好 |
| depth_anything_v2_vitb_fp16 | 1600px | 60s | 与 fp32 效果差不多 |
| depth_anything_v2_vitb_fp32 | 1600px | 60s | 同上 |
| depth_anything_v2_vitl_fp16 | 1600px | 59s | 二楼栏杆比较准确 |
| depth_anything_v2_vitl_fp32 | 1600px | 61s | 手指更精致，但整体不如 fp16 |
| depth_anything_v2_vitg_fp32 | 800px | 24s | 结果很差 |
| 960px | 27s | 人物很烂，场景二楼错误 | |
| 1600px | - | 设备太拉，爆了>< | |
| depth_anything_v2_metric_hypersim_vitl_fp32 | 1600px | 60s | 人物最接近，场景有瑕疵 |
| depth_anything_v2_metric_vkitti_vitl_fp32 | 1600px | 58s | 人物与桌子关系完全错误 |
| controlnet | 800px | 17s | 结果最奇怪 |
| 1600px | 55s | 抽象，不稳定 |
结果如图：
总结规律
- 分辨率影响最大：800px → 错误明显，1600px → 效果最佳；2400px → 场景部分提升，但人物更差。
- fp16 vs fp32：大多数情况下 fp16 稍微快一点，fp32 只在细节略有提升。
