Distill-Any-Depth是一种新的SOTA单目深度估计模型，采用知识蒸馏算法训练而成。

Distill-Any-Depth是一种基于知识蒸馏算法训练的SOTA单目深度估计模型，能够高效准确地进行深度估计。

DepthMaster是一个经过驯化的单步扩散模型，将扩散模型中的生成特征定制化以适应判别式深度估计任务。

DepthPro 是一种单目深度估计模型，能够通过单张图像预测深度。

DepthPro 是一个用于深度估计的视觉模型，能够从单张图像预测场景的深度信息。

一个基于Apache-2.0许可证的单目深度估计模型，适用于野外场景的零样本深度估计任务。

Depth Anything V2是目前最强大的单目深度估计模型，基于59.5万张合成标注图像和6200万+真实无标注图像训练而成，具有更精细的细节和更强的鲁棒性。

Depth Anything V2是目前最强大的单目深度估计(MDE)模型，基于59.5万张合成标注图像和6200万+真实无标注图像训练而成，具有更精细的细节和更强的稳健性。

Depth Anything V2 是目前最强大的单目深度估计模型，基于59.5万张合成标注图像和6200万+真实无标注图像训练而成，具有更精细的细节和更强的鲁棒性。

Depth Anything V2是目前最强大的单目深度估计模型，基于59.5万张合成标注图像和6200万+真实无标注图像训练而成，具有精细细节和鲁棒性。

Depth-Anything-V2-Base 是一个基于 ONNX 格式的深度估计模型，适配 Transformers.js，用于在 Web 端进行图像深度估计。

Depth Anything V2 是目前最强大的单目深度估计模型，基于大量合成和真实图像训练，提供精细的深度细节和高鲁棒性。

Depth Anything V2是目前最强大的单目深度估计(MDE)模型，基于59.5万张合成标注图像与6200万+真实无标注图像训练而成

Depth Anything V2 是目前性能最强的单目深度估计模型，基于大规模合成与真实图像训练，相比V1版本能捕捉更精细的细节且更鲁棒。

Depth Anything 是一种基于 DPT 架构和 DINOv2 骨干网络的深度估计模型，在约 6200 万张图像上训练，在相对和绝对深度估计任务中取得最先进结果。

ZoeDepth是基于NYU和KITTI数据集微调的深度估计模型，能够以实际度量单位估计深度值。

ZoeDepth是一个用于单目深度估计的视觉模型，在KITTI数据集上进行了微调，能够实现零样本迁移的度量深度估计。

ZoeDepth是一个用于单目深度估计的模型，特别在NYU数据集上进行了微调，能够实现零样本迁移和度量深度估计。

基于潜在一致性蒸馏方法微调的单目深度估计模型，用于从单张图像生成深度图

基于Transformers.js的深度估计模型ONNX版本，适用于网页端应用

基于Transformers.js的深度估计模型，适配ONNX权重版本，用于从图像中预测深度信息。

基于ONNX格式的小型深度估计模型，适配Transformers.js框架，适用于网页端深度图预测

Depth Anything 是一个强大的深度估计模型，利用大规模无标签数据释放深度估计的潜力。

Depth Anything 是一个基于大规模无标签数据训练的深度估计模型，能够从单张图像中预测深度信息。

Depth Anything是一种深度估计模型，利用大规模无标记数据提升性能，适用于单目深度估计任务。

将 MiDaS 模型转换为 ONNX 格式，用于在 Unity Sentis 中进行单目深度估计

基于SwinV2骨干网络的DPT模型，用于单目深度估计，在140万张图像上训练

基于SwinV2骨干网络的DPT模型，用于单目深度估计，在140万张图像上训练。

DPT (密集预测变换器) 模型在140万张图像上训练，用于单目深度估计。

DPT是基于BEiT骨干网络的密集预测变换器模型，用于单目深度估计，在140万张图像上训练。

基于BEiT骨干网络的单目深度估计模型，能够从单张图像推断详细深度信息

基于视觉变换器(ViT)的单目深度估计模型，在140万张图像上训练

GLPN是一种用于单目深度估计的模型，采用SegFormer作为主干网络，顶部添加轻量级头部进行深度预测。

GLPN模型在NYUv2数据集上训练，用于单目深度估计，结合全局和局部路径网络实现高精度深度预测。