计算机视觉深度学习【免费下载链接】Metric-Video-Depth-Anything-Base-MLX项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/Metric-Video-Depth-Anything-Base-MLX点击查看免费下载Metric-Video-Depth-Anything-Base-MLX 是 ByteDance Video Depth AnythingCVPR 2025 highlight的 MLX 移植版专为 Apple Silicon 打造能够对任意长度的视频输出连贯、跨帧一致的单目深度图。它的核心思路是以32 帧为一个窗口进行推理让每一帧都参考窗口内其他帧的信息从而告别逐帧独立估计带来的深度抖动。 它解决什么问题单帧深度估计模型有个通病每帧独立预测相邻帧之间深度会随机跳变播放起来像水波晃动。而视频深度估计video depth estimation的目标就是让整段视频的 depth map 平滑连贯。Metric-Video-Depth-Anything-Base-MLX 的架构由三部分组成见 README.md模块作用DINOv2 backbone提取每一帧的视觉特征DPT head将特征解回归为像素级深度AnimateDiff 风格时序运动模块在帧与帧之间传递、对齐特征是跨帧一致性的关键 它是Metric 模型直接输出以米为单位的绝对深度而不是相对远近这为后续的 3D 重建、机器人感知等应用省去了尺度标定。 32 帧窗口推理长视频如何分而不断整个视频不可能一次性塞进显存模型采用滑动窗口策略在 config.json 中可以看到关键参数num_frames: 32含义是每次取32 帧送入模型联合推理。窗口内所有帧共享时序运动模块的交互深度彼此对齐相邻窗口之间通过重叠与对齐衔接最终把深度图拼接成覆盖整段视频的连贯结果——这就是它能处理 arbitrarily long videos 的秘密。其他值得关注的配置同样在 config.json 中metric: trueMetric 模型输出绝对深度米跳过非 Metric 模型所需的 scale/shift 窗口对齐encoder: vitbViT-Base 编码器pe: ape使用绝对位置编码out_channels: [96, 192, 384, 768]DPT head 的多尺度特征通道。输入分辨率由 preprocessor_config.json 指定为518。 快速上手在 Apple Silicon 上跑通深度估计通过mlx_vlm加载模型用法详见 README.md核心流程只有三步from mlx_vlm import load from mlx_vlm.models.video_depth_anything.generate import ( VideoDepthPredictor, read_video_frames, ) model, processor load(mlx-community/Metric-Video-Depth-Anything-Base-MLX) predictor VideoDepthPredictor(model, processor) frames, fps read_video_frames(input.mp4, max_len300, target_fps15) depths predictor.infer(frames) # 输出 (T, H, W) float32 深度图 小贴士输入张量是 channel-last 的(B, T, H, W, 3)H 和 W 必须是 14 的整数倍target_fps建议设为 15 左右帧数过多会显著增加推理时间权重为 fp32GPU 上结果与 PyTorch 参考实现相对误差约 1%CPU 上可精确到约 1e-5见 README.md。本地模型权重文件为 model.safetensors通过 Git LFS 分发。也可以克隆仓库离线使用git clone https://gitcode.com/hf_mirrors/mlx-community/Metric-Video-Depth-Anything-Base-MLX⚖️ 注意事项模型基于官方 checkpoint 转换权重采用CC-BY-NC-4.0协议仅限非商业用途由于是 Metric 模型输出可直接当米使用但建议先校准再用于精确测量场景。总结Metric-Video-Depth-Anything-Base-MLX 用DINOv2 DPT 时序运动模块的组合配合32 帧窗口推理在 Apple Silicon 上实现了任意长视频的连贯深度估计。对想快速验证视频深度、3D 重建效果的新手来说它是一个开箱即用、精度与速度兼顾的起点。赞分享计算机视觉深度学习【免费下载链接】Metric-Video-Depth-Anything-Base-MLX项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/Metric-Video-Depth-Anything-Base-MLX点击查看免费下载相关推荐告别抖动的深度图Metric-Video-Depth-Anything-Small-MLX如何实现任意长视频的时序一致性告别抖动的深度图Metric Video Depth Anything Small MLX如何实现任意长视频的时序一致性 Metric Video Dept计算机视觉Terraform AWS Provideraws_appintegrations_event_integration 数据源详解——按名称读取 AppIntegrations 事件集成Terraform AWS Provideraws_appintegrations_event_integration 数据源详解——按名称读取 AppInt人工智能计算机视觉深度学习Feast 向量数据库集成基于 ADR-0010 的 RAG 检索能力设计、实现与实战指南Feast 向量数据库集成基于 ADR 0010 的 RAG 检索能力设计、实现与实战指南 本文基于 Feast 仓库中的架构决策记录 ADR 0010: V计算机视觉深度学习上一篇掌握shadcn-vue中的Tailwind配置定制化原子化CSS的全攻略下一篇tiny11builder 构建失败oscdimg.exe 缺失的终极修复全方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/18 16:39:02 · 阅读 1.2k 任意长视频的连贯深度：Metric-Video-Depth-Anything-Base-MLX如何实现32帧窗口推理与跨帧一致性
计算机视觉深度学习【免费下载链接】Metric-Video-Depth-Anything-Base-MLX项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/Metric-Video-Depth-Anything-Base-MLX点击查看免费下载Metric-Video-Depth-Anything-Base-MLX 是 ByteDance Video Depth AnythingCVPR 2025 highlight的 MLX 移植版专为 Apple Silicon 打造能够对任意长度的视频输出连贯、跨帧一致的单目深度图。它的核心思路是以32 帧为一个窗口进行推理让每一帧都参考窗口内其他帧的信息从而告别逐帧独立估计带来的深度抖动。 它解决什么问题单帧深度估计模型有个通病每帧独立预测相邻帧之间深度会随机跳变播放起来像水波晃动。而视频深度估计video depth estimation的目标就是让整段视频的 depth map 平滑连贯。Metric-Video-Depth-Anything-Base-MLX 的架构由三部分组成见 README.md模块作用DINOv2 backbone提取每一帧的视觉特征DPT head将特征解回归为像素级深度AnimateDiff 风格时序运动模块在帧与帧之间传递、对齐特征是跨帧一致性的关键 它是Metric 模型直接输出以米为单位的绝对深度而不是相对远近这为后续的 3D 重建、机器人感知等应用省去了尺度标定。 32 帧窗口推理长视频如何分而不断整个视频不可能一次性塞进显存模型采用滑动窗口策略在 config.json 中可以看到关键参数num_frames: 32含义是每次取32 帧送入模型联合推理。窗口内所有帧共享时序运动模块的交互深度彼此对齐相邻窗口之间通过重叠与对齐衔接最终把深度图拼接成覆盖整段视频的连贯结果——这就是它能处理 arbitrarily long videos 的秘密。其他值得关注的配置同样在 config.json 中metric: trueMetric 模型输出绝对深度米跳过非 Metric 模型所需的 scale/shift 窗口对齐encoder: vitbViT-Base 编码器pe: ape使用绝对位置编码out_channels: [96, 192, 384, 768]DPT head 的多尺度特征通道。输入分辨率由 preprocessor_config.json 指定为518。 快速上手在 Apple Silicon 上跑通深度估计通过mlx_vlm加载模型用法详见 README.md核心流程只有三步from mlx_vlm import load from mlx_vlm.models.video_depth_anything.generate import ( VideoDepthPredictor, read_video_frames, ) model, processor load(mlx-community/Metric-Video-Depth-Anything-Base-MLX) predictor VideoDepthPredictor(model, processor) frames, fps read_video_frames(input.mp4, max_len300, target_fps15) depths predictor.infer(frames) # 输出 (T, H, W) float32 深度图 小贴士输入张量是 channel-last 的(B, T, H, W, 3)H 和 W 必须是 14 的整数倍target_fps建议设为 15 左右帧数过多会显著增加推理时间权重为 fp32GPU 上结果与 PyTorch 参考实现相对误差约 1%CPU 上可精确到约 1e-5见 README.md。本地模型权重文件为 model.safetensors通过 Git LFS 分发。也可以克隆仓库离线使用git clone https://gitcode.com/hf_mirrors/mlx-community/Metric-Video-Depth-Anything-Base-MLX⚖️ 注意事项模型基于官方 checkpoint 转换权重采用CC-BY-NC-4.0协议仅限非商业用途由于是 Metric 模型输出可直接当米使用但建议先校准再用于精确测量场景。总结Metric-Video-Depth-Anything-Base-MLX 用DINOv2 DPT 时序运动模块的组合配合32 帧窗口推理在 Apple Silicon 上实现了任意长视频的连贯深度估计。对想快速验证视频深度、3D 重建效果的新手来说它是一个开箱即用、精度与速度兼顾的起点。赞分享计算机视觉深度学习【免费下载链接】Metric-Video-Depth-Anything-Base-MLX项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/Metric-Video-Depth-Anything-Base-MLX点击查看免费下载相关推荐告别抖动的深度图Metric-Video-Depth-Anything-Small-MLX如何实现任意长视频的时序一致性告别抖动的深度图Metric Video Depth Anything Small MLX如何实现任意长视频的时序一致性 Metric Video Dept计算机视觉Terraform AWS Provideraws_appintegrations_event_integration 数据源详解——按名称读取 AppIntegrations 事件集成Terraform AWS Provideraws_appintegrations_event_integration 数据源详解——按名称读取 AppInt人工智能计算机视觉深度学习Feast 向量数据库集成基于 ADR-0010 的 RAG 检索能力设计、实现与实战指南Feast 向量数据库集成基于 ADR 0010 的 RAG 检索能力设计、实现与实战指南 本文基于 Feast 仓库中的架构决策记录 ADR 0010: V计算机视觉深度学习上一篇掌握shadcn-vue中的Tailwind配置定制化原子化CSS的全攻略下一篇tiny11builder 构建失败oscdimg.exe 缺失的终极修复全方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考