DepthART：6M 参数单目深度模型实现端侧零样本估计
深度基础模型压到 6M 参数易丢泛化；DepthART 用抗偏置采样与相机条件化微调，让端侧也能保住精度。
单目深度估计（从单张 RGB 图恢复场景深度）正被基础模型化，但参数动辄上亿，难以部署到端侧。DepthART 用约 6M 参数的小模型，通过抗偏置数据采样和相机条件化微调保住跨场景泛化，并提供 Jetson 部署路径。
正文摘录
.jpg)  过去几年，单目深度估计（monocular depth estimation，从单张 RGB 图恢复场景深度）快速 “Foundation Model 化”。从 Metric3D、Depth Anything 到 UniDepth，大规模数据、更强的 backbone（主干网络）和显式相机建模，不断提高模型的跨场景泛化能力。 但与此同时，一个明显的断层也在扩大：基础深度估计能力越来越强，模型却越来越难部署。传统轻量深度估计模型虽然速度快，却往往针对单一数据集训练；Foundation Model 泛化更强，却通常需要数千万甚至数亿参数。于是我们想回答一个更直接的问题： 如果模型只有约 6M 参数，还能不能保留基础深度估计的跨场景泛化能力？ 这就是 DepthART（Depth Anything Rethought for Tiny Models）关注的问题。该工作已被 ACM Multimedia 2026 接收。