视觉几何 · 从匹配到深度Depth Anything V2 在消费级显卡上的真实测评

视觉几何 · Stage 1 实测

从匹配到深度

Depth Anything V2 在消费级显卡上的真实测评

Base vs Large · 6 对真实图 · RTX 5060 Ti 16GB · long-edge 768 · 2026.07

之前的文章中，我们在同一批真实图对上把 RoMa v2 / UFM-Base / UFM-G 的稠密匹配摸了一遍——知道了「每个像素跑到哪」。

这一轮往上走一层：每个像素离相机有多远。

单目深度（monocular depth）是视觉几何的地基。没有可靠深度，匹配再漂亮也很难变成点云、位姿和三维重建。今天用的是目前生态最成熟的开源方案之一——Depth Anything V2，在同一套 6 对真实图、同一块 RTX 5060 Ti 16GB 上，把 Base 和 Large 完整跑通，并附上全部真实可视化结果。

一句话结论：在 16GB 消费卡上，DA-V2 Large 峰值不到 2GB，完全跑得动；但 Base 快约 3.1 倍，跨视角结构一致性几乎打平——默认先上 Base，除非你明确需要大模型那一点细节。

一、我们在测什么

本篇只做单目深度，Depth Anything V2 Base / Large：每像素相对深度，但故意保留「跨视角」视角：把 A 图深度用光流 warp 到 B，再和 B 的深度比——这样深度不再是一张好看的热力图，而是能被几何约束检验的量。

二、实验设置（可复现）

一致性指标说明（无 GT 深度时的代理指标）：

• SILog：尺度不变对数误差（越低越好）
• AbsRel_med：相对误差中位数（抗极端值，越低越好）
• Spearman：深度排序相关（只关心远近结构，越高越好）
• edge_align：图像边缘 vs 深度边缘相关（单图几何保真代理）

三、速度与显存：16GB 完全够用

图 1 · Base vs Large 推理耗时与峰值显存（12 张图均值）

几点直观感受：

① Large 峰值约 1.9GB，离 16GB 天花板还很远——这台机器跑单目深度几乎没有心理负担。

② Base 快 3.1 倍，edge_align 几乎一样（0.214 vs 0.213）。若你的流水线要接视频或批量工业图，Base 是默认最优解。

③ 冷启动加载：Base ~45s，Large ~133s（含首次下载缓存）。之后推理就是上表数字。

四、真实结果图：深度长什么样

下面所有图都是本次实测直接导出，不是论文截图。色图使用 turbo：冷色偏远、暖色偏近（相对深度，非米制）。

4.1 六场景总览（View A）

图 2 · 6 对真实图 × Base / Large 深度图总览（仅展示 A 视角）

肉眼上 Base 和 Large 结构高度一致：教堂柱廊的纵深、街景近树远楼、骑行特写的车架层次，都能清楚分开。Large 在细杆件、栏杆镂空处偶尔更干净一点，但不是数量级差异。

4.2 场景细看 · building（最有信息量）

图 3 · building · Large：A / DepthA / B / DepthB

图 4 · building · Base：同一对图，结构几乎同构

这对图跨视角变化大（祭坛特写 → 中殿纵深），但深度场都合理：近处栏杆/长椅暖色，远处拱顶冷色。后面跨视角一致性里，building 的 Spearman 达到 ~0.69，是六对里最稳的一对。

4.3 场景细看 · fire_academy / toronto / bike

图 5 · fire_academy · Large：大位移场景，前景构件与背景建筑分层清晰

图 6 · toronto · Large：城市峡谷 + 近景树叶，相对深度层次清楚

图 7 · bike · Large：近景金属车架，轮圈与肢体前后关系可读

图 8 · cook · Large

图 9 · scene · Large：大基线户外场景，地面近、天空远

五、跨视角一致性：深度能不能「对上」

单张深度图好看不够。我们用 DIS 光流把 A 的深度 warp 到 B，再做中位尺度对齐，算尺度不变指标。注意：这里光流只是轻量桥接，不是 RoMa/UFM——大基线对会先在对应上翻车，数字要带着这个前提看。

图 10 · 分场景 AbsRel_med 与 Spearman：Base（紫）vs Large（青）

图 11 · 跨视角相对误差热力图（越暗越好；亮区=误差大或对应失败）

怎么读这些数：

· building 最有参考价值：Spearman≈0.69，说明深度排序在中等视角变化下能对齐。

· cook Spearman 接近 0 甚至为负：主要是大视角 + DIS 对应崩了，不全是深度模型锅。

· Base / Large 均值几乎贴脸——结构上 Large 略胜（0.328 vs 0.318），不值 3 倍延迟。

六、选型建议（给落地的人）

选 Base，如果……

要批量跑、接视频、嵌进产线；显存/时延敏感；只需要相对深度做遮挡/前后关系。

选 Large，如果……

单张精修、出演示图、细杆件/镂空结构敏感；你有充足时延预算（~300ms+）。

别指望单目深度单独解决……

绝对尺度、大基线跨视角对齐、弱纹理平面的精确几何——这些要匹配器或 MASt3R/DUSt3R 上场。

七、和 RoMa / UFM 怎么接

本篇一致性用的是 OpenCV DIS 光流，目的是「先有一个不依赖大匹配模型的代理指标」。更硬的版本是：

# matcher-conditioned depth consistency

RoMa / UFM flow ──warp──► depth_A → frame_B

└─ scale-align ─► SILog / Spearman vs depth_B

// 对应更准 → 更能隔离「深度模型本身」的误差

这正好接上你已经跑完的三引擎匹配结果：同一 6 对图、同一输出目录约定，把 DIS 换成 RoMa/UFM flow 即可。

八、结语

单目深度在 2026 年已经不是「能不能跑」的问题，而是 放在哪一层流水线最划算 的问题。

在这块 RTX 5060 Ti 上：

· Depth Anything V2 完全不是瓶颈——Large 都不到 2GB；

· Base 是默认推荐——快 3 倍，跨视角结构几乎不输；

· 跨视角数字要带着对应质量一起读——下一阶段用 RoMa/UFM flow 替换 DIS，结论会更干净；

· 真正的三维故事，还欠一层 MASt3R / DUSt3R 点云——那是 Stage-2。

VISUAL GEOMETRY · STAGE 1

匹配已测 · 深度已测 · 点云待续

数据与图片均为实测