闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 单Transformer搞定任意视图3D重建！ 这是字节Seed康炳易团队带来的最新研究成果 Depth Anything 3 （下称DA3），获谢赛宁盛赞。 架构足够简单，核心能力却不差。能从一张图、一组多视角照片甚至一段随手拍的视频里，精准算出物体深度、还原相机位置，不仅能拼出完 整3D场景，还能脑补出没拍过的新视角图像。 而且，它在团队全新打造的视觉几何基准上横扫所有任务，相机定位精度平均提升 35.7% ，几何重建准确率涨了 23.6% ，单目深度估计还 超越了自家前代DA2。 以前的3D视觉模型，想做单图深度估计？得单独训练一个模型；想搞多视角3D重建？又要换一套架构。 就连算个相机位置都得搭专属模块，不仅开发成本高，还没法充分利用大规模预训练模型的优势，数据依赖也很严重。 还有就是这些模型往往"术业有专攻"，那DA3的单一极简操作究竟是怎样的呢？ 极简设计也能打 核心秘诀就两点：一是只用一个普通的视觉Transformer当基础；二是预测目标只抓 深度 和 光线 两个核心。 从架构图上可以看出来，DA3的任务流程可分为四大环节。 首先是输入处理 ...

机器之心报道 编辑：泽南、杨文 现在，只需要一个简单的、用深度光线表示训练的 Transformer 就行了。 这项研究证明了，如今大多数 3D 视觉研究都存在过度设计的问题。 本周五，AI 社区最热门的话题是一篇新论文，有关 3D 建模的。 经过一年多的探索，来自字节跳动的团队推出了 Depth Anything 3（DA3），将单目深度估计扩展到了任何 视角场景，让计算机实现了媲美人类的空间感知。 为了追求最小建模，DA3 的工作获得了 两个关键见解 ： 就是这样的方法， 在姿态估计方面比当前业界最先进的方法 (SOTA) 提升了 44%，在几何估计方面提升了 25%。 原来 3D 视觉竟然这么简单？ 纽约大学计算机科学助理教授、知名 AI 学者谢赛宁表示，论文有点像电影：第一部通常是最好的，续集往 往更复杂却并不更精彩。但这完全不适用于 DepthAnything 系列。 Bingyikang 的团队每次都能让事情变得更 简单、更易于扩展。 论文：https://arxiv.org/abs/2511.10647 项目页面：https://depth-anything-3.github.io 代码：htt ...