谷歌DeepMind推出GenCeption模型，将视频生成AI逆向改造为视觉分析引擎，单一模型即可同时完成深度估计、图像分割、3D姿态估计等五项核心视觉任务。模型基于阿里通义万相Wan2.1框架训练，一次前向传播实现预测，打破任务孤立格局。
谷歌DeepMind发布GenCeption，基于预训练视频生成模型，统一解决深度估计、图像分割、3D姿态估计等任务，性能接近或超越专用模型，且训练数据需求远低。这挑战了当前以Segment Anything、Depth Anything等专用模型为主的格局。
商汤科技开源多任务视觉模型SenseNova-Vision-7B-MoT，集成目标检测、OCR、深度估计、法线估计、图像分割与多视图处理等核心视觉任务于7B参数单一架构，为视觉理解及GUI智能体开发提供高效基座。
7月7日，蚂蚁旗下灵波科技发布LingBot-Depth2.0空间感知模型，基于1.5亿数据训练，提升边缘清晰度、细小物体识别、远距离深度估计及复杂场景鲁棒性。该模型为机器人“眼睛”，1.0版已解决透明、反光难题，2.0进一步升级。
Video Depth Anything: Consistent Depth Estimation for Super-Long Videos
将单目视频转换为沉浸式立体3D视频的框架
从日常动态视频中快速、准确地估计相机和密集结构
高分辨率、高精度的深度估计方法
Openai
-
Input tokens/M
Output tokens/M
Context Length
Anthropic
$105
$525
200
Alibaba
$2
$20
Bytedance
$0.8
256
Moonshot
$4
$16
$0.15
$1.5
Tencent
$1
32
$8
$0.4
128
$8.75
$70
400
$0.63
$3.15
131
Chatglm
Deepseek
Iflytek
$3.5
$12
facebook
MapAnything是一个端到端训练的Transformer模型，能够以多种模态作为输入，直接回归场景的分解度量3D几何结构。该模型支持超过12种不同的3D重建任务，包括多图像SfM、多视图立体视觉、单目度量深度估计等。
DINOv3是Meta AI开发的一系列通用视觉基础模型，无需微调即可在广泛的视觉任务中超越专门的先进模型。该模型采用自监督学习方式，生成高质量的密集特征，在图像分类、分割、深度估计等多种任务中表现出色。
jasperai
基于潜在桥接匹配(LBM)技术的图像深度估计模型，通过潜在空间桥接实现快速图像转换
xingyang1
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。
keetrap
Distill-Any-Depth 是一个用于深度估计的模型，基于 transformers 架构，适用于从图像中估计深度信息。
jingheya
莲花模型系列中的深度估计模型，采用扩散模型技术实现高质量密集预测
prs-eth
基于潜在扩散模型的单目深度估计模型，支持高分辨率图像处理
zysong212
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。
depth-anything
Prompt Depth Anything 是一种高分辨率且精确的度量深度估计方法，通过提示（prompting）释放深度基础模型的潜力，能够生成高达4K分辨率的精确度量深度。
Prompt Depth Anything 是一种高分辨率且精确的度量深度估计方法，采用提示机制释放深度基础模型的潜力。
一种高分辨率精确度量深度估计方法，采用提示机制释放深度基础模型的潜力
cyun9286
Align3R 是一个从单目视频中估计时间一致的视频深度、动态点云和相机姿态的模型。
KeighBee
DepthPro 是一种单目深度估计模型，能够通过单张图像预测深度。
apple
DepthPro是一个用于零样本度量单目深度估计的基础模型，能够生成高分辨率、高精度的深度图。
RollingDepth是一种无需视频模型的视频深度估计方法，能够实现单目深度估计和视频深度估计。
Lotus是一个基于扩散模型的视觉基础模型，专注于高质量密集预测任务，如深度估计。相比前一版本，本模型在视差空间（逆深度）进行训练，实现了更优性能和更稳定的视频深度估计。
Lotus是一个基于扩散模型的视觉基础模型，专注于高质量密集预测任务，特别是深度估计。相比前一版本，本模型采用视差空间（逆深度）训练，实现了更优性能和更稳定的视频深度估计。
onnx-community
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。
一款零样本单目测距深度估计基础模型，能合成具有无与伦比锐度和高频细节的高分辨率深度图
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
