DP T论文说法：DPT在性能上显著优于MiDaS。‌

DPT（‌Dense Predictive Transformers）‌与MiDaS都是深度学习模型，‌用于密集预测任务，‌如单目深度估计和语义分割。‌根据最新的研究和对比实验，‌DPT在多个方面展现出了对MiDaS的优势。‌

性能对比：‌DPT-Hybrid与MiDaS相比，‌平均相对改进率超过了23%，‌而DPT-Large的平均相对改进率则超过了28%。‌这一性能提升在多个数据集上得到了一致的验证，‌包括使用迄今为止最大的单目深度估计训练集进行的测试1。‌

数据集适应性：‌DPT不仅在大型数据集上表现优异，‌即使是在较小的数据集上，‌通过微调，‌DPT仍然能够保持其高性能。‌例如，‌在ADE20K数据集上的训练和在Pascal数据集上的微调都显示了DPT的强大性能1。‌

全局与局部性能：‌DPT能够在保持全局一致性的同时，‌更好地重建细节，‌这在具有挑战的区域（‌如较大的均匀区域）‌中尤为明显。‌这表明DPT在处理复杂场景和保持图像细节方面具有优势1。‌

综上所述，‌DPT在性能、‌适应不同数据集的能力以及处理图像细节的能力方面都展现出了对MiDaS的优势。‌这使得DPT成为当前密集预测任务中的优选模型之一12。‌

Depth Anything论文结论：在多个方面优于DPT。‌

Depth Anything模型在零样本深度估计能力上显著超越了DPT。‌在六个典型的数据集上，‌包括KITTI、‌NYUv2、‌Sintel、‌DDAD、‌ETH3D和DIODE，‌Depth Anything模型在AbsRel和δ_1指标上均优于DPT。‌例如，‌在DDAD数据集上，‌Depth Anything将AbsRel从0.251降低至0.230，‌将δ_1从0.766提升至0.789。‌此外，‌即使在未使用任何KITTI或NYUv2图像进行训练的情况下，‌Depth Anything的表现依然明显优于DPT，‌显示了其在泛化能力上的优势1。‌

Depth Anything模型的成功部分归功于其利用大规模未标记图像进行训练的策略。‌通过挑战学生模型和应用语义约束，‌Depth Anything能够学习更鲁棒的视觉表示，‌从而在深度估计任务上表现出色。‌相比之下，‌DPT可能在这些方面表现不如Depth Anything2。‌

此外，‌Depth Anything模型的性能优势不仅体现在零样本深度估计上，‌还在下游微调性能方面显著优于DPT。‌例如，‌在NYUv2数据集上的δ1指标中，‌Depth Anything表现为0.951对比DPT的0.984，‌以及在ADE20K数据集上的mIoU指标中，‌Depth Anything表现为59.4对比DPT的52.42。‌

综上所述，‌Depth Anything通过其独特的训练策略和优化方法，‌在多个评估指标上均优于DPT，‌显示了其在单目深度估计领域的先进性和潜力12。‌ 

Chatgpt: MiDaS、DPT与Depth-Anything的优劣比较 

MiDaS、DPT（Depth Prediction Transformer）和Depth-Anything是用于单目深度估计的三种模型，各有其优势和劣势。以下是对这三种模型的比较：

MiDaS

优点

高准确性：MiDaS在深度估计任务中表现出色，特别是在处理自然场景和复杂背景时。

预训练模型：使用大规模数据集进行预训练，具有良好的泛化能力，适用于多种不同场景。

易于使用：提供了多个预训练模型，可以方便地用于不同任务，适合快速应用和测试。

缺点

计算资源需求高：虽然效果好，但对硬件资源要求较高，特别是在高分辨率输入下。

模型体积较大：模型较为庞大，在内存和存储方面可能会有一些限制。

DPT（Depth Prediction Transformer）

优点

Transformer架构：利用Transformer架构，能够捕捉更长范围的依赖关系，提高了深度估计的准确性。

高泛化能力：在各种复杂场景和数据集上表现出色，适应性强。

强大的特征提取能力：能够提取更加细致的深度信息，提高了深度图的细节和质量。

缺点

计算开销高：Transformer架构带来了更高的计算和内存消耗，推理速度较慢。

资源需求：需要高性能的硬件支持，可能不适合资源受限的设备。

Depth-Anything

优点

数据引擎设计：通过设计数据引擎，自动收集和标注大规模未标注数据，显著扩大数据覆盖范围，减少了泛化误差。

数据增强策略：采用数据增强工具创建更具挑战性的优化目标，迫使模型主动学习更多视觉知识，提高稳健性。

辅助监督机制：引入辅助监督机制，确保模型继承预训练编码器中的丰富语义先验，提高深度估计精度。

实用性强：设计目标是简单但强大，处理任何环境下的任何图像。

缺点

新兴模型：作为新模型，可能缺乏广泛的社区支持和文档。

性能验证：尽管有良好的理论基础，但在实际应用中的广泛验证可能还不够，需要更多的实验证明其在各种情况下的表现。

总结

MiDaS：适合需要快速应用和测试的场景，具有高准确性和良好的泛化能力，但计算资源需求较高。

DPT：利用Transformer架构，具有更强的特征提取能力和高泛化性，但计算开销和资源需求也较高。

Depth-Anything：通过创新的数据收集和增强策略，展示出色的泛化能力和实用性，但作为新兴模型，可能需要更多的验证和社区支持。

选择哪种模型取决于具体的应用需求和硬件条件。例如，在需要高准确性和有足够计算资源的情况下，DPT是一个不错的选择；在资源有限但需要较好泛化能力的情况下，MiDaS可能更适合；而对于希望在多种复杂环境中使用且强调模型简单高效的应用，Depth-Anything则是一个值得考虑的选项。

参考文献

单目深度估计“宝座易主” | {速度提升10倍 }，精度大幅提升，效果媲美双目与RGBD！