Depth-Anything项目中不同规模ViT模型的深度预测范围差异分析

在计算机视觉领域，深度估计是一个重要的研究方向。Depth-Anything项目基于视觉Transformer(ViT)架构，提供了三种不同规模的模型：vits(小型)、vitb(基础型)和vitl(大型)。本文深入分析这些模型在深度预测范围上的差异现象及其背后的技术原理。

现象观察

当使用Depth-Anything项目对同一图像进行深度预测时，不同规模的模型输出的深度/视差图在数值范围上表现出明显差异：

• vits模型：输出范围约0-20
• vitb模型：输出范围约0-100
• vitl模型：输出范围约0-220

尽管数值范围不同，但三种模型的预测结果在视觉表现上却非常相似，大型模型(vitl)仅在细节上略有优势。这一现象引发了关于模型训练目标和输出特性的思考。

技术原理分析

1. 仿射不变损失函数

Depth-Anything项目采用了"仿射不变损失"(affine-invariant loss)作为训练目标。这种损失函数的核心特点是：

• 在计算预测误差前，先对预测结果和真实深度进行归一化处理
• 模型只需关注深度值的相对关系，而非绝对数值
• 允许输出结果存在任意的线性变换(缩放和平移)

这种设计使得模型在训练过程中不关心输出的绝对数值范围，只关注保持正确的深度顺序关系。因此，不同规模的模型可能收敛到不同的数值范围，但都能保持正确的深度结构。

2. DINOv2编码器的特性

Depth-Anything使用了DINOv2作为图像编码器，该架构有一个已知特性：

• 深层特征会产生更高范数的token
• 模型规模越大，最终输出层的特征范数越高
• 这种特性会直接影响深度预测的数值范围

研究表明，视觉Transformer的深层倾向于产生高范数特征，这种现象在"Vision Transformers Need Registers"论文中有详细讨论。模型规模越大，这种特征放大效应越明显，导致vitl的输出范围显著大于vits。

实际影响与建议

对于实际应用，开发者需要注意：

1. 不同规模模型的输出需要分别进行归一化处理
2. 比较模型性能时应关注深度结构的准确性而非数值范围
3. 大型模型虽然输出范围更大，但并不意味着深度估计更精确
4. 在部署时需要考虑输出范围的差异对后续处理的影响

理解这一现象有助于开发者更好地利用Depth-Anything项目，根据实际需求选择合适的模型规模，并正确处理模型的输出结果。