把深度基础模型砍到 6M：DepthART 让深度估计跑进 Jetson，延迟不到 1 毫秒

机器人要抓取物体、手机要拍出景深、AR 眼镜要理解空间——它们都得先回答一个问题：眼前这个东西离我多远？过去几年，单目深度估计一路「基础模型化」，参数从千万飙到上亿，精度是上去了，可算力和成本也跟着上去了，端侧设备根本带不动。一篇被 ACM Multimedia 2026 接收的论文，尝试给出另一种答案。

一分钟速览

• 论文 DepthART 把单目深度基础模型压缩到约 6M 参数
• 最小版本 DepthART-S 仅 6.0M 参数，约为 Depth Anything V2-S（24.8M）的四分之一
• 在 NYUD v2 数据集上 δ1 达 0.964，精度并未因「瘦身」明显塌陷
• TensorRT FP16 下推理延迟仅 0.918 毫秒，RTX A6000 上达 347 FPS
• 官方提供 Jetson Orin NX 部署路径，另有面向移动 NPU/BPU 的版本

小模型的老问题：一压缩就「学偏」

单目深度估计领域长期存在一道断层：大模型泛化好但吃资源，小模型跑得快但通常只针对单一数据集训练，换个场景就失灵。论文要回答的核心问题是：如果模型只有约 6M 参数，还能不能保留基础模型的跨场景泛化能力？

作者薛峰指出，小模型在蒸馏大模型时容易「学偏」。为此研究提出两项关键技术：一是抗偏置数据采样（BRDS），改进采样策略以维持跨数据集的泛化性；二是相机条件化微调（CamFT），通过在微调时冻结已完成蒸馏的编码器、只训练一个轻量的相机适配模块，来解决度量深度微调中的灾难性遗忘问题。用作者的话概括就是——先保护已经学会的几何，再学习尺度。

两条路线，覆盖不同硬件

为适配各异的硬件约束，DepthART 提供了两条并行技术路线：路线一以 TinyViM 为骨干，借助 CUDA / TensorRT 的 Selective Scan 插件获得高效率，面向英伟达 GPU 与 Jetson；路线二以 MobileNetV4 为骨干，只依赖标准 ONNX 算子、不含任何自定义算子，面向早期的 BPU、NPU 与移动平台。其中 MobileNetV4-M-slim-SPF 版本把参数量压到约 6.05M、算力降到 3.78 GMAC（较标准版减少超过一半），NYUD δ1 只下降 0.001，KITTI δ1 只下降 0.003。

产品链接

• GitHub：DepthART
• Hugging Face 模型权重

趋势洞察

DepthART 代表的是一个更广泛的转向：从「把基础模型做得更大」，到「如何把基础模型的能力真正带到设备上」。当大模型的能力被蒸馏、被工程化地塞进几兆参数的躯壳里，端侧设备才可能在不上传数据、不依赖云端的条件下完成感知与决策。对于机器人、智能驾驶、可穿戴设备这些「必须实时、必须离线」的场景来说，这条路线的重要性，可能不亚于基础模型本身的一次版本更新。